Regresión logística de aprendizaje activo
El aprendizaje activo con regresión logística es un marco iterativo y eficiente en cuanto a etiquetas en el que un modelo de regresión logística selecciona los ejemplos no etiquetados sobre los que tiene mayor incertidumbre, un oráculo (anotador humano) los etiqueta y el modelo se reentrena, repitiendo hasta que se cumple un presupuesto de etiquetado o un objetivo de precisión. Reduce drásticamente el coste de anotación en comparación con el etiquetado aleatorio.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- Settles, B. (2010). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison. link ↗
- Lewis, D. D., & Gale, W. A. (1994). A sequential algorithm for training text classifiers. Proceedings of the 17th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, 3–12. DOI: 10.1007/978-1-4471-2099-5_1 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Active Learning with Logistic Regression (Uncertainty Sampling). ScholarGate. https://scholargate.app/es/machine-learning/active-learning-logistic-regression
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.
- Regresión LogísticaEstadística para la investigación↔ compare
- Naive BayesAprendizaje automático↔ compare
- Random ForestAprendizaje automático↔ compare
- Aprendizaje semisupervisadoAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →