Aktiivinen oppiminen K-lähimpien naapurien menetelmällä
Aktiivinen oppiminen K-lähimpien naapurien (KNN) menetelmällä yhdistää KNN:n tapauskohtaisen ennustamisen iteratiiviseen kyselystrategiaan, joka valitsee informatiivisimmat merkitsemättömät esimerkit annotointia varten. Malli pyytää merkintöjä vain niille tapauksille, joissa naapuruston äänimarginaalit ovat kapeimmat, saavuttaen kilpailukykyisen tarkkuuden huomattavasti harvemmilla merkityillä esimerkeillä kuin täysin ohjattu KNN taulukkomuotoisessa datassa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Menetelmäkartta
Lähimenetelmien naapurusto — valitse solmu tutkiaksesi.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Active Learning with K-Nearest Neighbors Classifier. ScholarGate. https://scholargate.app/fi/machine-learning/active-learning-k-nearest-neighbors
Mikä menetelmä?
Aseta tämä menetelmä lähimpien sukulaistensa rinnalle ja lue niitä yhdessä — kirjasto asettaa teokset pöydälle; valinta on sinun.
- Aktiivinen oppiminenKoneoppiminen↔ vertaa
- Aktiivisen oppimisen päätöspuuKoneoppiminen↔ vertaa
- Aktiivisen oppimisen logistinen regressioKoneoppiminen↔ vertaa
- Puolivalvottu K-lähimmän naapurin menetelmäKoneoppiminen↔ vertaa
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →