Aktywne uczenie maszynowe z algorytmem K-najbliższych sąsiadów
Aktywne uczenie maszynowe z algorytmem K-najbliższych sąsiadów (KNN) łączy predykcję opartą na instancjach z iteracyjną strategią zapytań, która wybiera najbardziej informatywne nieoznaczone przykłady do adnotacji. Model żąda etykiet tylko dla instancji, w których marginesy głosów sąsiedztwa są najwęższe, osiągając konkurencyjną dokładność przy znacznie mniejszej liczbie oznaczonych przykładów niż w pełni nadzorowany KNN 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 ↗
- Zhu, X., Lafferty, J., & Ghahramani, Z. (2003). Combining active learning and semi-supervised learning using Gaussian fields and harmonic functions. Proceedings of the ICML 2003 Workshop on the Continuum from Labeled to Unlabeled Data, 58–65. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Active Learning with K-Nearest Neighbors Classifier. ScholarGate. https://scholargate.app/pl/machine-learning/active-learning-k-nearest-neighbors
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 drzew decyzyjnychUczenie maszynowe↔ compare
- Aktywne uczenie się z regresją logistycznąUczenie maszynowe↔ compare
- Półnadzorowany algorytm K-najbliższych sąsiadówUczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →