Logisztikus regresszióval végzett aktív tanulás
Az aktív tanulás logisztikus regresszióval egy iteratív, címkézési hatékonyságot növelő keretrendszer, amelyben egy logisztikus regressziós modell kiválasztja azokat a címkézetlen példányokat, amelyekre a legkevésbé biztos, egy orákulum (emberi annotátor) megcímkézi őket, és a modellt újra képzik – ismételve, amíg el nem érnek egy címkézési költségvetést vagy pontossági célt. Jelentősen csökkenti az annotációs költségeket a véletlenszerű címkézéshez képest.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Active Learning with Logistic Regression (Uncertainty Sampling). ScholarGate. https://scholargate.app/hu/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.
- Logistic RegressionKutatási statisztika↔ compare
- Bayes-féle naiv klasszifikálóGépi tanulás↔ compare
- Véletlen erdőGépi tanulás↔ compare
- Félfelügyelt tanulásGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →