Active Learning Boosting
Active Learning Boosting kombiniert die abfragegesteuerte Label-Akquisition des Active Learning mit der gewichteten Ensemble-Logik von Boosting-Algorithmen wie AdaBoost. Das Modell wählt iterativ die informativsten ungelabelten Beispiele zur Annotation aus – geleitet vom Dissens oder der Unsicherheit innerhalb des Boosting-Ensembles – und trainiert nach jedem neuen Label neu, wodurch eine hohe Genauigkeit mit weitaus weniger gelabelten Beispielen als beim passiven Lernen erzielt wird.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Abe, N. & Mamitsuka, H. (1998). Query Learning Strategies Using Boosting and Bagging. Proceedings of the 15th International Conference on Machine Learning (ICML 1998), pp. 1–9. Morgan Kaufmann. link ↗
- Settles, B. (2009). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Active Learning with Boosting Ensembles. ScholarGate. https://scholargate.app/de/machine-learning/active-learning-boosting
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.
- Active Learning Support Vector MachineMaschinelles Lernen↔ compare
- BoostingMaschinelles Lernen↔ compare
- Online BoostingMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →