Aktiivisen oppimisen logistinen regressio
Aktiivisen oppimisen logistinen regressio on iteratiivinen, vähän merkintöjä vaativa kehys, jossa logistinen regressiomalli valitsee epävarmimmat merkitsemättömät esimerkit, oraakkeli (ihmisannotoija) merkitsee ne ja malli koulutetaan uudelleen — toistaen, kunnes merkintäbudjetti tai tarkkuustavoite on saavutettu. Se vähentää merkintäkustannuksia dramaattisesti verrattuna satunnaiseen merkintään.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Active Learning with Logistic Regression (Uncertainty Sampling). ScholarGate. https://scholargate.app/fi/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.
- Logistinen regressioTutkimuksen tilastomenetelmät↔ compare
- Naive BayesKoneoppiminen↔ compare
- Random ForestKoneoppiminen↔ compare
- Puoliohjattu oppiminenKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →