Actief Leren met Logistische Regressie
Actief Leren met Logistische Regressie is een iteratief label-efficiënt raamwerk waarin een logistisch regressiemodel de ongelabelde voorbeelden selecteert waarover het het meest onzeker is, een orakel (menselijke annotator) deze labelt, en het model opnieuw wordt getraind — herhalend totdat een labelbudget of nauwkeurigheidsdoel is bereikt. Het vermindert de annotatiekosten drastisch vergeleken met willekeurige labeling.
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 ↗
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Active Learning with Logistic Regression (Uncertainty Sampling). ScholarGate. https://scholargate.app/nl/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.
- Logistische RegressieOnderzoeksstatistiek↔ compare
- Naïeve BayesMachine learning↔ compare
- Random ForestMachine learning↔ compare
- Semi-supervised LearningMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →