LightGBM de Aprendizado Ativo
O LightGBM de Aprendizado Ativo acopla a estratégia de seleção de consultas eficiente em termos de consulta do aprendizado ativo com a velocidade e precisão do LightGBM, um framework de gradient boosting baseado em histogramas. O modelo seleciona iterativamente as instâncias não rotuladas mais informativas para anotação humana, retreina o LightGBM no conjunto rotulado crescente e converge para alta precisão com muito menos exemplos rotulados do que o aprendizado supervisionado passivo.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Active Learning with Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/pt/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.
- Aprendizagem AtivaAprendizado de máquina↔ compare
- Gradient BoostingAprendizado de máquina↔ compare
- LightGBMAprendizado de máquina↔ compare
- Random ForestAprendizado de máquina↔ compare
- XGBoostAprendizado de máquina↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →