Aktywne uczenie się z regresją logistyczną
Aktywne uczenie się z regresją logistyczną to iteracyjna, efektywna pod względem etykietowania struktura, w której model regresji logistycznej wybiera nieoznakowane przykłady, co do których jest najbardziej niepewny, wyrocznia (ludzki anotator) je oznacza, a model jest ponownie trenowany – powtarzając proces, aż do wyczerpania budżetu na etykietowanie lub osiągnięcia celu dokładności. Znacząco redukuje to koszt anotacji w porównaniu do losowego etykietowania.
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 ↗
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Active Learning with Logistic Regression (Uncertainty Sampling). ScholarGate. https://scholargate.app/pl/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.
- Regresja logistycznaStatystyka w badaniach↔ compare
- Naiwny Klasyfikator BayesowskiUczenie maszynowe↔ compare
- Random ForestUczenie maszynowe↔ compare
- Uczenie ze wsparciem częściowymUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →