Aktiv læring med logistisk regression
Aktiv læring med logistisk regression er et iterativt, etiket-effektivt rammeværk, hvor en logistisk regressionsmodel udvælger de uetiketterede eksempler, den er mest usikker på. En orakel (menneskelig annotator) etiketterer dem, og modellen genoptrænes – dette gentages, indtil et etiketteringsbudget eller et nøjagtighedsmål er opfyldt. Det reducerer annoteringsomkostningerne dramatisk sammenlignet med tilfældig etikettering.
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. (2010). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison. link ↗
- Lewis, D. D., & Gale, W. A. (1994). A sequential algorithm for training text classifiers. Proceedings of the 17th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, 3–12. DOI: 10.1007/978-1-4471-2099-5_1 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Active Learning with Logistic Regression (Uncertainty Sampling). ScholarGate. https://scholargate.app/da/machine-learning/active-learning-logistic-regression
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.
- Logistisk regressionForskningsstatistik↔ compare
- Naive BayesMaskinlæring↔ compare
- Random ForestMaskinlæring↔ compare
- Semi-supervised LearningMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →