Ενεργητική Ενίσχυση Μάθησης
Η Ενεργητική Ενίσχυση Μάθησης (Active Learning Boosting) συνδυάζει την απόκτηση ετικετών με γνώμονα το ερώτημα της ενεργητικής μάθησης με τη λογική των σταθμισμένων συνόλων αλγορίθμων ενίσχυσης (boosting), όπως ο AdaBoost. Το μοντέλο επιλέγει επαναληπτικά τα πιο πληροφοριακά μη επισημασμένα παραδείγματα προς σχολιασμό — καθοδηγούμενο από τη διαφωνία ή την αβεβαιότητα εντός του συνόλου ενίσχυσης — και επανεκπαιδεύεται μετά από κάθε νέα ετικέτα, επιτυγχάνοντας υψηλή ακρίβεια με πολύ λιγότερα επισημασμένα παραδείγματα από την παθητική μάθηση.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- Abe, N. & Mamitsuka, H. (1998). Query Learning Strategies Using Boosting and Bagging. Proceedings of the 15th International Conference on Machine Learning (ICML 1998), pp. 1–9. Morgan Kaufmann. link ↗
- Settles, B. (2009). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison. link ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Active Learning with Boosting Ensembles. ScholarGate. https://scholargate.app/el/machine-learning/active-learning-boosting
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.
- Μηχανή Υποστήριξης Διανυσμάτων Ενεργητικής ΜάθησηςΜηχανική Μάθηση↔ compare
- ΕνίσχυσηΜηχανική Μάθηση↔ compare
- Online BoostingΜηχανική Μάθηση↔ compare
- Ημι-επιβλεπόμενη ΜάθησηΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →