Ensemble Active Learning
Ensemble Active Learning combineert een comité van diverse modellen met een actieve leercyclus om de meest informatieve ongelabelde voorbeelden te selecteren voor labeling. Geworteld in het Query by Committee-raamwerk, geïntroduceerd door Seung et al. (1992), gebruikt het onenigheid tussen comitéleden als signaal voor onzekerheid, waardoor het aantal gelabelde voorbeelden dat nodig is om sterke voorspellende prestaties te bereiken, wordt verminderd.
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 1992), pp. 287–294. ACM. link ↗
- Settles, B. (2009). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison. link ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Ensemble-Based Active Learning (Query by Committee and Variants). ScholarGate. https://scholargate.app/nl/machine-learning/ensemble-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.
- Actief LerenMachine learning↔ compare
- BoostingMachine learning↔ compare
- Random ForestMachine learning↔ compare
- Semi-supervised LearningMachine learning↔ compare
- Voting EnsembleMachine learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →