Ενεργή Μάθηση με Ενίσχυση Κλίσης
Η Ενεργή Μάθηση με Ενίσχυση Κλίσης συνδυάζει την ισχυρή προβλεπτική ακρίβεια των ενισχυμένων με κλίση δέντρων με έναν βρόχο ενεργής μάθησης που επιλέγει τα πιο πληροφοριακά μη επισημασμένα παραδείγματα για ανθρώπινη σχολιασμό. Ερωτώντας μόνο τις περιπτώσεις για τις οποίες το μοντέλο είναι πιο αβέβαιο, η μέθοδος επιτυγχάνει υψηλή ακρίβεια με πολύ λιγότερα επισημασμένα παραδείγματα από την παθητική επιβλεπόμενη 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
- Settles, B. (2010). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison. link ↗
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 29(5), 1189–1232. DOI: 10.1214/aos/1013203451 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Active Learning with Gradient Boosting (Query-by-Committee / Uncertainty Sampling with Gradient Boosted Trees). ScholarGate. https://scholargate.app/el/machine-learning/active-learning-gradient-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.
- Ενεργή ΜάθησηΜηχανική Μάθηση↔ compare
- Ενίσχυση Κλίσης (Gradient Boosting)Μηχανική Μάθηση↔ compare
- Τυχαίο ΔάσοςΜηχανική Μάθηση↔ compare
- XGBoostΜηχανική Μάθηση↔ compare
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →