Aktywne uczenie drzew decyzyjnych
Aktywne uczenie z wykorzystaniem drzewa decyzyjnego łączy interpretowalną strukturę drzewa w stylu CART ze strategią zapytań, która wybiera najbardziej informatywne nieoznakowane przykłady do ludzkiej adnotacji. Model iteracyjnie żąda etykiet tylko dla przykładów, co do których jest najbardziej niepewny, minimalizując koszt etykietowania przy jednoczesnym maksymalizowaniu dokładności klasyfikacji na danych tabelarycznych.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Settles, B. (2010). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin-Madison. link ↗
- Breiman, L., Friedman, J., Olshen, R., & Stone, C. (1984). Classification and Regression Trees. Wadsworth & Brooks. ISBN: 978-0-412-04841-8
Jak cytować tę stronę
ScholarGate. (2026, June 3). Active Learning with Decision Tree Classifier. ScholarGate. https://scholargate.app/pl/machine-learning/active-learning-decision-tree
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.
- Aktywna naukaUczenie maszynowe↔ compare
- Aktywne uczenie się z regresją logistycznąUczenie maszynowe↔ compare
- Drzewo decyzyjneUczenie maszynowe↔ compare
- Random ForestUczenie maszynowe↔ compare
- Drzewo decyzyjne z uczeniem częściowo nadzorowanymUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →