Machine learningMachine learning
Active Learning Logistic Regression
Active Learning with Logistic Regression은 로지스틱 회귀 모델이 가장 불확실하다고 판단하는 레이블 없는 예제를 선택하고, 오라클(인간 주석자)이 이를 레이블링한 후 모델을 재훈련하는 반복적인 레이블 효율적 프레임워크로, 레이블링 예산이나 정확도 목표가 충족될 때까지 반복됩니다. 이는 무작위 레이블링에 비해 주석 비용을 극적으로 절감합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Active Learning with Logistic Regression (Uncertainty Sampling). ScholarGate. https://scholargate.app/ko/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.
Compare side by side →