Активное обучение с LightGBM
Active Learning LightGBM сочетает стратегию выбора запросов с высокой эффективностью активного обучения с скоростью и точностью LightGBM, основанной на гистограммах системы градиентного бустинга. Модель итеративно выбирает наиболее информативные неразмеченные экземпляры для аннотирования человеком, переобучает LightGBM на растущем размеченном наборе и сходится к высокой точности с гораздо меньшим количеством размеченных примеров, чем пассивное обучение с учителем.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Active Learning with Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/ru/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.
- Активное обучениеМашинное обучение↔ compare
- Градиентный бустингМашинное обучение↔ compare
- LightGBMМашинное обучение↔ compare
- Случайный лесМашинное обучение↔ compare
- XGBoostМашинное обучение↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →