یادگیری فعال با نزدیکترین همسایگان (K-Nearest Neighbors)
یادگیری فعال با نزدیکترین همسایگان، پیشبینی مبتنی بر نمونهی KNN را با یک استراتژی پرسوجوی تکراری ترکیب میکند که آموزندهترین نمونههای بدون برچسب را برای حاشیهنویسی انتخاب میکند. این مدل تنها برای نمونههایی که حاشیههای رأیگیری همسایگی در آنها کمترین است، برچسب درخواست میکند و با تعداد بسیار کمتری از نمونههای برچسبدار نسبت به KNN کاملاً نظارتشده در دادههای جدولی، به دقت رقابتی دست مییابد.
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 ↗
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Active Learning with K-Nearest Neighbors Classifier. ScholarGate. https://scholargate.app/fa/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.
- یادگیری فعالیادگیری ماشین↔ compare
- درخت تصمیم یادگیری فعالیادگیری ماشین↔ compare
- رگرسیون لجستیک یادگیری فعالیادگیری ماشین↔ compare
- K-نزدیکترین همسایگی نیمهنظارتشدهیادگیری ماشین↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →