Logistisk regresjon for aktiv læring
Aktiv læring med logistisk regresjon er et iterativt, etikett-effektivt rammeverk der en logistisk regresjonsmodell velger de umerkede eksemplene den er mest usikker på, en orakel (menneskelig annotatør) merker dem, og modellen trenes på nytt — gjentatt til et merke-budsjett eller nøyaktighetsmål er nådd. Det reduserer annotasjonskostnadene dramatisk sammenlignet med tilfeldig merking.
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. (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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Active Learning with Logistic Regression (Uncertainty Sampling). ScholarGate. https://scholargate.app/no/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.
- Logistisk regresjonForskningsstatistikk↔ compare
- Naive BayesMaskinlæring↔ compare
- Random ForestMaskinlæring↔ compare
- Semiveiledet læringMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →