Aktiivne õppimine logistilise regressiooniga
Aktiivne õppimine logistilise regressiooniga on iteratiivne, märgistamise efektiivsust suurendav raamistik, kus logistilise regressiooni mudel valib need märgistamata näited, mille suhtes ta on kõige ebakindlam, orakel (inimannoteerija) märgistab need ja mudelit täiendatakse – korrates seda seni, kuni on täidetud märgistamise eelarve või täpsuse sihtarv. See vähendab drastiliselt annotatsioonikulusid võrreldes juhusliku märgistamisega.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Active Learning with Logistic Regression (Uncertainty Sampling). ScholarGate. https://scholargate.app/et/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.
- Logistiline regressioonUurimisstatistika↔ compare
- Bayesi naiivne klassifikaatorMasinõpe↔ compare
- Juhuslik metsMasinõpe↔ compare
- Poolitatud järelevalvega õppimineMasinõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →