Active Learning LightGBM
Active Learning LightGBM kombinerer den spørrings-effektive strategien for utvelgelse av merkelapper fra aktiv læring med hastigheten og nøyaktigheten til LightGBM, et histogram-basert gradient-boosting-rammeverk. Modellen velger iterativt de mest informative umerkede instansene for menneskelig annotering, retrener LightGBM på det voksende merkede datasettet, og konvergerer til høy nøyaktighet med langt færre merkede eksempler enn passiv veiledet læring.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Active Learning with Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/no/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.
- Aktiv læringMaskinlæring↔ compare
- Gradient BoostingMaskinlæring↔ compare
- LightGBMMaskinlæring↔ compare
- Random ForestMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →