Aktivno učenje LightGBM
Aktivno učenje LightGBM povezuje strategiju odabira upita koja je učinkovita u pogledu oznaka aktivnog učenja sa brzinom i točnošću LightGBM-a, okvira za pojačanje gradijenta utemeljenog na histogramima. Model iterativno odabire najinformativnije neoznačene primjere za ljudsku anotaciju, ponovno trenira LightGBM na rastućem označenom skupu i konvergira prema visokoj točnosti s daleko manje označenih primjera nego pasivno nadzirano učenje.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Active Learning with Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/hr/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.
- Aktivno učenjeStrojno učenje↔ compare
- Povećanje gradijentaStrojno učenje↔ compare
- LightGBMStrojno učenje↔ compare
- Slučajna šumaStrojno učenje↔ compare
- XGBoostStrojno učenje↔ compare
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →