Активное обучение логистической регрессии
Активное обучение с логистической регрессией — это итеративный, ресурсоэффективный фреймворк, в котором модель логистической регрессии выбирает неразмеченные примеры, в отношении которых она наиболее неопределенна; оракул (человек-аннотатор) размечает их, а модель переобучается. Этот процесс повторяется до тех пор, пока не будет достигнут бюджет разметки или целевая точность. Он значительно снижает затраты на аннотирование по сравнению со случайной разметкой.
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. (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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Active Learning with Logistic Regression (Uncertainty Sampling). ScholarGate. https://scholargate.app/ru/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.
- Логистическая регрессияСтатистика исследований↔ compare
- Наивный БайесМашинное обучение↔ compare
- Случайный лесМашинное обучение↔ compare
- Обучение с частичной разметкойМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →