رگرسیون لجستیک یادگیری فعال
یادگیری فعال با رگرسیون لجستیک یک چارچوب تکرارشونده و کمبازده برچسبگذاری است که در آن یک مدل رگرسیون لجستیک، نمونههای بدون برچسب را که بیشترین عدم قطعیت را نسبت به آنها دارد، انتخاب میکند، یک اوراکل (حاشیهنویس انسانی) آنها را برچسبگذاری میکند و مدل دوباره آموزش داده میشود — این فرآیند تا زمانی که بودجه برچسبگذاری یا هدف دقت برآورده شود، تکرار میشود. این روش در مقایسه با برچسبگذاری تصادفی، هزینه حاشیهنویسی را به طور چشمگیری کاهش میدهد.
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 ↗
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Active Learning with Logistic Regression (Uncertainty Sampling). ScholarGate. https://scholargate.app/fa/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.
- رگرسیون لجستیکآمار پژوهش↔ compare
- بییز ساده (Naive Bayes)یادگیری ماشین↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
- یادگیری نیمهنظارتشدهیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →