Support Vector Machine med aktiv læring
Aktiv læring SVM kombinerer den stærke beslutningsgrænse fra Support Vector Machines med en intelligent forespørgselsstrategi, der udvælger de mest informative umærkede instanser til menneskelig annotering. Introduceret af Tong og Koller i 2001, opnår den høj klassifikationsnøjagtighed ved brug af langt færre mærkede eksempler end passiv superviseret læring, hvilket gør den praktisk, når mærkning er dyr eller langsom.
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
- Tong, S., & Koller, D. (2001). Support Vector Machine Active Learning with Applications to Text Classification. Journal of Machine Learning Research, 2, 45–66. link ↗
- Settles, B. (2010). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Active Learning Support Vector Machine. ScholarGate. https://scholargate.app/da/machine-learning/active-learning-support-vector-machine
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.
- Random ForestMaskinlæring↔ compare
- Semi-supervised LearningMaskinlæring↔ compare
- Support Vector Machine (Klassifikation)Maskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →