Ensemble Active Learning
Ensemble Active Learning kombiniert ein Komitee diverser Modelle mit einer aktiven Lernschleife, um die informativsten unbeschrifteten Beispiele zur Beschriftung auszuwählen. Verwurzelt im Query by Committee-Framework, das von Seung et al. (1992) eingeführt wurde, nutzt es die Uneinigkeit zwischen den Komiteemitgliedern als Signal für Unsicherheit und reduziert so die Anzahl der benötigten beschrifteten Beispiele, um eine starke prädiktive Leistung zu erzielen.
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 1992), pp. 287–294. ACM. 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). Ensemble-Based Active Learning (Query by Committee and Variants). ScholarGate. https://scholargate.app/de/machine-learning/ensemble-active-learning
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
- BoostingMaschinelles Lernen↔ compare
- Random ForestMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
- Voting EnsembleMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →