Machine learningMachine learning
アクティブラーニングK近傍法 (Active Learning K-Nearest Neighbors)
アクティブラーニングK近傍法は、KNNのインスタンスベースの予測と、注釈付けのために最も情報量の多いラベルなし例を選択する反復クエリ戦略を組み合わせたものです。このモデルは、近傍の多数決の差が最も狭いインスタンスに対してのみラベルを要求し、完全に教師ありのKNNよりもはるかに少ないラベル付き例で、表形式データにおいて競争力のある精度を達成します。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
手法マップ
関連する手法の近傍 — ノードを選択して探索できます。
出典
- Settles, B. (2010). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin-Madison. link ↗
- Zhu, X., Lafferty, J., & Ghahramani, Z. (2003). Combining active learning and semi-supervised learning using Gaussian fields and harmonic functions. Proceedings of the ICML 2003 Workshop on the Continuum from Labeled to Unlabeled Data, 58–65. link ↗
このページの引用方法
ScholarGate. (2026, June 3). Active Learning with K-Nearest Neighbors Classifier. ScholarGate. https://scholargate.app/ja/machine-learning/active-learning-k-nearest-neighbors
どの手法を選ぶ？
この手法を最も近い類縁の手法と並べ、両者を見比べてください — ライブラリは本を机の上に並べるだけ。選ぶのはあなたです。
並べて比較する →