Entscheidungsbaum für aktives Lernen
Aktives Lernen mit einem Entscheidungsbaum kombiniert die interpretierbare Struktur eines CART-ähnlichen Baumes mit einer Abfragestrategie, die die informativsten unbeschrifteten Instanzen für die menschliche Annotation auswählt. Das Modell fordert iterativ nur Labels für Beispiele an, bei denen es sich am unsichersten ist, wodurch die Labeling-Kosten minimiert und die Klassifikationsgenauigkeit bei tabellarischen Daten maximiert werden.
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
- Settles, B. (2010). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin-Madison. link ↗
- Breiman, L., Friedman, J., Olshen, R., & Stone, C. (1984). Classification and Regression Trees. Wadsworth & Brooks. ISBN: 978-0-412-04841-8
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Active Learning with Decision Tree Classifier. ScholarGate. https://scholargate.app/de/machine-learning/active-learning-decision-tree
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.
- Aktives LernenMaschinelles Lernen↔ compare
- Aktives Lernen mit logistischer RegressionMaschinelles Lernen↔ compare
- EntscheidungsbaumMaschinelles Lernen↔ compare
- Random ForestMaschinelles Lernen↔ compare
- Halb-überwachtes EntscheidungsbaumverfahrenMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →