یادگیری فعال LightGBM
یادگیری فعال LightGBM، استراتژی انتخاب پرسوجوی کارآمد برچسبگذاری یادگیری فعال را با سرعت و دقت LightGBM، یک چارچوب تقویت گرادیان مبتنی بر هیستوگرام، ترکیب میکند. این مدل به طور تکراری آموزندهترین نمونههای بدون برچسب را برای حاشیهنویسی انسانی انتخاب میکند، LightGBM را بر روی مجموعه برچسبگذاری شده در حال رشد مجدداً آموزش میدهد و با مثالهای برچسبگذاری شده بسیار کمتر از یادگیری نظارت شده منفعل به دقت بالایی همگرا میشود.
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. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, 6(1), 1–114. Morgan & Claypool. DOI: 10.2200/S00429ED1V01Y201207AIM018 ↗
- Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Advances in Neural Information Processing Systems, 30, 3146–3154. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Active Learning with Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/fa/machine-learning/active-learning-lightgbm
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
- گرادیان بوستینگ (Gradient Boosting)یادگیری ماشین↔ compare
- لایتجیبیام (LightGBM)یادگیری ماشین↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
- XGBoostیادگیری ماشین↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →