Ενεργή Μάθηση K-πλησιέστερων γειτόνων
Η ενεργή μάθηση με K-πλησιέστερους γείτονες συνδυάζει την πρόβλεψη που βασίζεται σε στιγμιότυπα του KNN με μια επαναληπτική στρατηγική ερωτημάτων που επιλέγει τα πιο πληροφοριακά μη επισημασμένα παραδείγματα για σχολιασμό. Το μοντέλο ζητά ετικέτες μόνο για στιγμιότυπα όπου τα περιθώρια ψήφου των γειτόνων είναι στενότερα, επιτυγχάνοντας ανταγωνιστική ακρίβεια με πολύ λιγότερα επισημασμένα παραδείγματα από το πλήρως επιβλεπόμενο KNN σε δομημένα δεδομένα.
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 ↗
- Zhu, X., Lafferty, J., & Ghahramani, Z. (2003). Combining active learning and semi-supervised learning using Gaussian fields and harmonic functions. Proceedings of the ICML 2003 Workshop on the Continuum from Labeled to Unlabeled Data, 58–65. link ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Active Learning with K-Nearest Neighbors Classifier. ScholarGate. https://scholargate.app/el/machine-learning/active-learning-k-nearest-neighbors
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
- Δέντρο Απόφασης Ενεργού ΜάθησηςΜηχανική Μάθηση↔ compare
- Λογιστική Παλινδρόμηση Ενεργητικής ΜάθησηςΜηχανική Μάθηση↔ compare
- Semi-supervised K-nearest neighborsΜηχανική Μάθηση↔ compare
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →