Actief Leren Beslissingsboom
Actief leren met een beslissingsboom combineert de interpreteerbare structuur van een CART-achtige boom met een querystrategie die de meest informatieve ongelabelde instanties selecteert voor menselijke annotatie. Het model vraagt iteratief labels alleen aan voor voorbeelden waarover het het meest onzeker is, waardoor de labelkosten worden geminimaliseerd en de classificatienauwkeurigheid op tabulaire gegevens wordt gemaximaliseerd.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Settles, B. (2010). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin-Madison. link ↗
- Breiman, L., Friedman, J., Olshen, R., & Stone, C. (1984). Classification and Regression Trees. Wadsworth & Brooks. ISBN: 978-0-412-04841-8
Deze pagina citeren
ScholarGate. (2026, June 3). Active Learning with Decision Tree Classifier. ScholarGate. https://scholargate.app/nl/machine-learning/active-learning-decision-tree
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.
- Actief LerenMachine learning↔ compare
- Actief Leren met Logistische RegressieMachine learning↔ compare
- BeslisboomMachine learning↔ compare
- Random ForestMachine learning↔ compare
- Semi-supervised Decision TreeMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →