Régression logistique avec apprentissage actif
L'apprentissage actif avec régression logistique est un cadre itératif et économe en étiquettes dans lequel un modèle de régression logistique sélectionne les exemples non étiquetés sur lesquels il est le plus incertain, un oracle (annotateur humain) les étiquette, et le modèle est réentraîné — répétant jusqu'à ce qu'un budget d'étiquetage ou un objectif de précision soit atteint. Il réduit considérablement le coût d'annotation par rapport à l'étiquetage aléatoire.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Active Learning with Logistic Regression (Uncertainty Sampling). ScholarGate. https://scholargate.app/fr/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.
- Régression logistiqueStatistiques de recherche↔ compare
- Naive BayesApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Apprentissage semi-superviséApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →