Lineārās regresijas aktīvā apguve
Lineārās regresijas aktīvā apguve ir iteratīva mašīnmācīšanās pieeja, kas apvieno lineārās regresijas modeli ar viedu vaicājumu stratēģiju, lai izvēlētos informatīvākos nenosauktos punktus marķēšanai. Koncentrējot marķēšanas darbu tur, kur nenoteiktība ir visaugstākā, tā sasniedz konkurētspējīgu prognozēšanas precizitāti ar daudz mazāku marķētu piemēru skaitu nekā pasīvā nejaušā izlase.
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
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, 6(1), 1–114. Morgan & Claypool. DOI: 10.2200/S00429ED1V01Y201207AIM018 ↗
- Cohn, D. A., Ghahramani, Z., & Jordan, M. I. (1996). Active learning with statistical models. Journal of Artificial Intelligence Research, 4, 129–145. DOI: 10.1613/jair.295 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Active Learning with Linear Regression. ScholarGate. https://scholargate.app/lv/machine-learning/active-learning-linear-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.
- Bāziskā lineārā regresijaBajesa metodes↔ compare
- Random ForestMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →