Active Learning LightGBM
Active Learning LightGBM menggabungkan strategi pemilihan label yang cekap pertanyaan dalam pembelajaran aktif dengan kelajuan dan ketepatan LightGBM, iaitu kerangka penggalak kecerunan berasaskan histogram. Model ini secara berulang memilih instans tidak berlabel yang paling bermaklumat untuk anotasi manusia, melatih semula LightGBM pada set berlabel yang semakin meningkat, dan menumpu kepada ketepatan tinggi dengan contoh berlabel yang jauh lebih sedikit berbanding pembelajaran penyeliaan pasif.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, 6(1), 1–114. Morgan & Claypool. DOI: 10.2200/S00429ED1V01Y201207AIM018 ↗
- Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Advances in Neural Information Processing Systems, 30, 3146–3154. link ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Active Learning with Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/ms/machine-learning/active-learning-lightgbm
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.
- Pembelajaran AktifPembelajaran Mesin↔ compare
- Peningkatan CerunPembelajaran Mesin↔ compare
- LightGBMPembelajaran Mesin↔ compare
- Random ForestPembelajaran Mesin↔ compare
- XGBoostPembelajaran Mesin↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →