Loģistikās regresijas aktīvā apguve
Loģistikās regresijas aktīvā apguve ir iteratīvs, uz etiķetēm efektīvs ietvars, kurā loģistikās regresijas modelis izvēlas nenozīmētos piemērus, par kuriem tas ir visneziņīgākais, orākols (cilvēka anotators) tos iezīmē, un modelis tiek atkārtoti apmācīts — atkārtojot, līdz tiek sasniegts etiķetēšanas budžets vai precizitātes mērķis. Tas dramatiski samazina anotācijas izmaksas, salīdzinot ar nejaušu iezīmēšanu.
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. (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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Active Learning with Logistic Regression (Uncertainty Sampling). ScholarGate. https://scholargate.app/lv/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.
- Logistiskā regresijaPētniecības statistika↔ compare
- Naive BayesMašīnmācīšanās↔ compare
- Random ForestMašīnmācīšanās↔ compare
- Daudzpusīgā apguveMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →