Active Learning Voting Ensemble
Active Learning Voting Ensemble – auch bekannt als Query by Committee – ist eine Strategie des aktiven Lernens, die ein Komitee diverser Modelle trainiert und die unbeschrifteten Beispiele auswählt, bei denen die Meinungsverschiedenheit der Komiteemitglieder am größten ist, zur Annotation durch Menschen. Durch die Fokussierung der Beschriftungsbemühungen auf die informativsten Punkte erzielt sie eine hohe Genauigkeit mit weitaus weniger beschrifteten Beispielen, als das passive Lernen erfordert.
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
- Seung, H. S., Opper, M., & Sompolinsky, H. (1992). Query by committee. In Proceedings of the Fifth Annual Workshop on Computational Learning Theory (COLT '92), pp. 287–294. ACM. DOI: 10.1145/130385.130417 ↗
- 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 Voting Ensemble (Query by Committee). ScholarGate. https://scholargate.app/de/machine-learning/active-learning-voting-ensemble
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
- Bagging (Bootstrap Aggregating)Maschinelles Lernen↔ compare
- BoostingMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
- Voting EnsembleMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →