Regressão Logística com Aprendizagem Ativa
Aprendizagem Ativa com Regressão Logística é um framework iterativo e eficiente em termos de rótulos, no qual um modelo de regressão logística seleciona os exemplos não rotulados sobre os quais tem mais incerteza, um oráculo (anotador humano) os rotula e o modelo é retreinado — repetindo até que um orçamento de rotulagem ou uma meta de precisão seja atingida. Reduz drasticamente o custo de anotação em comparação com a rotulagem aleatória.
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. (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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Active Learning with Logistic Regression (Uncertainty Sampling). ScholarGate. https://scholargate.app/pt/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.
- Regressão LogísticaEstatística para pesquisa↔ compare
- Naive BayesAprendizado de máquina↔ compare
- Random ForestAprendizado de máquina↔ compare
- Aprendizado Semi-supervisionadoAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →