Aktywne uczenie z modelem LightGBM
Aktywne uczenie z modelem LightGBM łączy strategię wyboru zapytań o niską liczbę etykiet w aktywnym uczeniu z szybkością i dokładnością LightGBM, czyli opartego na histogramach frameworku gradient boosting. Model iteracyjnie wybiera najbardziej informatywne nieoznakowane przykłady do adnotacji przez człowieka, przetrenowuje LightGBM na rosnącym zbiorze oznakowanych danych i zbiega do wysokiej dokładności przy znacznie mniejszej liczbie oznakowanych przykładów niż w pasywnym uczeniu nadzorowanym.
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. (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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Active Learning with Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/pl/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.
- Aktywna naukaUczenie maszynowe↔ compare
- Gradient BoostingUczenie maszynowe↔ compare
- LightGBMUczenie maszynowe↔ compare
- Random ForestUczenie maszynowe↔ compare
- XGBoostUczenie maszynowe↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →