Aktivno učenje s logističkom regresijom
Aktivno učenje s logističkom regresijom je iterativni, učinkoviti okvir za etiketiranje u kojem model logističke regresije odabire neoznačene primjere o kojima je najneizvjesniji, oracle (ljudski anotator) ih etiketira, a model se ponovno obučava — ponavljajući se dok se ne postigne proračun za etiketiranje ili ciljna točnost. Dramatično smanjuje troškove anotacije u usporedbi s nasumičnim etiketiranjem.
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. (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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Active Learning with Logistic Regression (Uncertainty Sampling). ScholarGate. https://scholargate.app/hr/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.
- Logistička regresijaIstraživačka statistika↔ compare
- Naive BayesStrojno učenje↔ compare
- Slučajna šumaStrojno učenje↔ compare
- Polunadzorirano učenjeStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →