Aktives Lernen mit logistischer Regression
Aktives Lernen mit logistischer Regression ist ein iteratives, label-effizientes Framework, bei dem ein logistisches Regressionsmodell die unbeschrifteten Beispiele auswählt, bei denen es am unsichersten ist. Ein Orakel (menschlicher Annotator) beschriftet diese, und das Modell wird neu trainiert. Dieser Prozess wiederholt sich, bis ein Beschriftungsbudget oder ein Genauigkeitsziel erreicht ist. Es reduziert die Annotationskosten im Vergleich zur zufälligen Beschriftung drastisch.
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 ↗
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Active Learning with Logistic Regression (Uncertainty Sampling). ScholarGate. https://scholargate.app/de/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.
- Logistische RegressionForschungsstatistik↔ compare
- Naive BayesMaschinelles Lernen↔ compare
- Random ForestMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →