Active Learning Voting Ensemble
Active Learning Voting Ensemble — formeel bekend als Query by Committee — is een active learning-strategie die een commissie van diverse modellen traint en de ongelabelde voorbeelden selecteert waarbij de commissieleden het meest van mening verschillen voor menselijke annotatie. Door de labelinspanning te richten op de meest informatieve punten, bereikt het een hoge nauwkeurigheid met veel minder gelabelde voorbeelden dan passief leren vereist.
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
- Seung, H. S., Opper, M., & Sompolinsky, H. (1992). Query by committee. In Proceedings of the Fifth Annual Workshop on Computational Learning Theory (COLT '92), pp. 287–294. ACM. DOI: 10.1145/130385.130417 ↗
- Settles, B. (2009). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison. link ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Active Learning with Voting Ensemble (Query by Committee). ScholarGate. https://scholargate.app/nl/machine-learning/active-learning-voting-ensemble
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
- Bagging (Bootstrap Aggregating)Machine learning↔ compare
- BoostingMachine learning↔ compare
- Semi-supervised LearningMachine learning↔ compare
- Voting EnsembleMachine learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →