Активно учење са појачавањем
Активно учење са појачавањем комбинује прибављање ознака вођено упитима из активног учења са логиком узастопног ансамбла са тежинским вредностима, као што су AdaBoost алгоритми. Модел итеративно бира најинформативније неозначене примере за анотирање — вођен неслагањем или неизвесношћу унутар ансамбла појачавања — и поново се обучава након сваке нове ознаке, постижући високу тачност са далеко мање означених примера него пасивно учење.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Abe, N. & Mamitsuka, H. (1998). Query Learning Strategies Using Boosting and Bagging. Proceedings of the 15th International Conference on Machine Learning (ICML 1998), pp. 1–9. Morgan Kaufmann. link ↗
- Settles, B. (2009). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Active Learning with Boosting Ensembles. ScholarGate. https://scholargate.app/sr/machine-learning/active-learning-boosting
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.
- Podržani mašinski učilac sa aktivnim učenjemMašinsko učenje↔ compare
- BoostingMašinsko učenje↔ compare
- Онлајн појачањеMašinsko učenje↔ compare
- Semi-supervised LearningMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →