Pembelajaran Aktif LightGBM
Pembelajaran Aktif LightGBM menggabungkan strategi pemilihan kueri yang efisien dari pembelajaran aktif dengan kecepatan dan akurasi LightGBM, sebuah kerangka kerja penguatan gradien berbasis histogram. Model ini secara iteratif memilih instans tak berlabel yang paling informatif untuk anotasi manusia, melatih ulang LightGBM pada kumpulan data berlabel yang terus bertambah, dan konvergen ke akurasi tinggi dengan jumlah contoh berlabel yang jauh lebih sedikit daripada pembelajaran terawasi pasif.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Active Learning with Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/id/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.
- Pembelajaran AktifPembelajaran Mesin↔ compare
- Peningkatan GradienPembelajaran Mesin↔ compare
- LightGBMPembelajaran Mesin↔ compare
- Random ForestPembelajaran Mesin↔ compare
- XGBoostPembelajaran Mesin↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →