Active Learning Boosting
Active Learning Boosting apvieno aktīvās mācīšanās pieprasījuma vadītu etiķešu iegūšanu ar tādu pastiprināšanas algoritmu kā AdaBoost svērto ansambļu loģiku. Modelis iteratīvi atlasa informatīvākos neiezīmētos piemērus anotēšanai — vadoties pēc pastiprināšanas ansambļa nesaskaņām vai nenoteiktības — un pēc katras jaunās etiķetes pārmācās, sasniedzot augstu precizitāti ar krietni mazāku skaitu iezīmētu piemēru nekā pasīvā mācīšanās.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Abe, N. & Mamitsuka, H. (1998). Query Learning Strategies Using Boosting and Bagging. Proceedings of the 15th International Conference on Machine Learning (ICML 1998), pp. 1–9. Morgan Kaufmann. link ↗
- Settles, B. (2009). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Active Learning with Boosting Ensembles. ScholarGate. https://scholargate.app/lv/machine-learning/active-learning-boosting
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.
- Atvērtās mācīšanās atbalsta vektoru mašīnaMašīnmācīšanās↔ compare
- PastiprināšanaMašīnmācīšanās↔ compare
- Tiešsaistes pastiprināšana (Online Boosting)Mašīnmācīšanās↔ compare
- Daudzpusīgā apguveMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →