درخت تصمیم یادگیری فعال
یادگیری فعال با درخت تصمیم، ساختار قابل تفسیر درختهایی به سبک CART را با راهبرد پرسوجو ترکیب میکند که نمونههای برچسبنخورده بیشترین اطلاعات را برای حاشیهنویسی انسانی انتخاب میکند. این مدل بهطور تکراری فقط برای مثالهایی که بیشترین عدم قطعیت را در مورد آنها دارد، برچسب درخواست میکند و ضمن به حداکثر رساندن دقت طبقهبندی روی دادههای جدولی، هزینه برچسبگذاری را به حداقل میرساند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Settles, B. (2010). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin-Madison. link ↗
- Breiman, L., Friedman, J., Olshen, R., & Stone, C. (1984). Classification and Regression Trees. Wadsworth & Brooks. ISBN: 978-0-412-04841-8
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Active Learning with Decision Tree Classifier. ScholarGate. https://scholargate.app/fa/machine-learning/active-learning-decision-tree
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.
- یادگیری فعالیادگیری ماشین↔ compare
- رگرسیون لجستیک یادگیری فعالیادگیری ماشین↔ compare
- درخت تصمیمیادگیری ماشین↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
- درخت تصمیم نیمهنظارتشدهیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →