Active Learning LightGBM
Active Learning LightGBM kombinerer den forespørgsels-effektive strategi for udvælgelse af labels fra aktiv læring med hastigheden og nøjagtigheden af LightGBM, et histogram-baseret gradient boosting-framework. Modellen vælger iterativt de mest informative umærkede instanser til menneskelig annotering, gen-træner LightGBM på det voksende mærkede datasæt og konvergerer mod høj nøjagtighed med langt færre mærkede eksempler end passiv superviseret læring.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, 6(1), 1–114. Morgan & Claypool. DOI: 10.2200/S00429ED1V01Y201207AIM018 ↗
- Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Advances in Neural Information Processing Systems, 30, 3146–3154. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Active Learning with Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/da/machine-learning/active-learning-lightgbm
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Aktiv læringMaskinlæring↔ compare
- Gradient BoostingMaskinlæring↔ compare
- LightGBMMaskinlæring↔ compare
- Random ForestMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →