Active Learning LightGBM
Active Learning LightGBM kombiniert die abfrageeffiziente Strategie zur Label-Auswahl des aktiven Lernens mit der Geschwindigkeit und Genauigkeit von LightGBM, einem histogrammbasierten Gradient-Boosting-Framework. Das Modell wählt iterativ die informativsten ungelabelten Instanzen für die menschliche Annotation aus, trainiert LightGBM auf dem wachsenden gelabelten Datensatz neu und konvergiert zu hoher Genauigkeit mit weitaus weniger gelabelten Beispielen als beim passiven überwachten Lernen.
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. (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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Active Learning with Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/de/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.
- Aktives LernenMaschinelles Lernen↔ compare
- Gradient BoostingMaschinelles Lernen↔ compare
- LightGBMMaschinelles Lernen↔ compare
- Random ForestMaschinelles Lernen↔ compare
- XGBoostMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →