Tiešsaistes aktīvā mācīšanās
Tiešsaistes aktīvā mācīšanās apvieno divas papildinošas paradigmas: tā apstrādā datus kā plūsmu (tiešsaistes mācīšanās) un selektīvi pieprasa etiķetes tikai informatīvākajām instancēm (aktīvā mācīšanās). Rezultāts ir modelis, kas nepārtraukti pielāgojas jauniem datiem, vienlaikus saglabājot zemas etiķetēšanas izmaksas — noderīgi, kad etiķetēti dati ir dārgi un piemēri ienāk secīgi, nevis visi vienlaicīgi.
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
- Cesa-Bianchi, N., Gentile, C., & Zaniboni, L. (2006). Worst-case analysis of selective sampling for linear classification. Journal of Machine Learning Research, 7, 1205–1230. link ↗
- Sculley, D. (2007). Online active learning methods for fast label-efficient spam filtering. Proceedings of the Fourth Conference on Email and Anti-Spam (CEAS 2007). link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Online Active Learning (Streaming Active Learning). ScholarGate. https://scholargate.app/lv/machine-learning/online-active-learning
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.
- Aktīvā mācīšanāsMašīnmācīšanās↔ compare
- Mācīšanās ar maziem paraugu skaituMašīnmācīšanās↔ compare
- Tiešsaistes apguveMašīnmācīšanās↔ compare
- Tiešsaistes loģistiskā regresijaMašīnmācīšanās↔ compare
- Tiešsaistes nejaušais mežsMašīnmācīšanās↔ compare
- Daudzpusīgā apguveMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →