Logistička regresija sa aktivnim učenjem
Logistička regresija sa aktivnim učenjem je iterativni, efikasni okvir za etiketiranje u kojem model logističke regresije bira neoznačene primere u vezi sa kojima je najneizvesniji, oracle (ljudski anotator) ih etiketira, a model se ponovo obučava — ponavljajući se dok se ne postigne budžet za etiketiranje ili ciljna tačnost. Dramatično smanjuje troškove anotacije u poređenju sa nasumičnim etiketiranjem.
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
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Active Learning with Logistic Regression (Uncertainty Sampling). ScholarGate. https://scholargate.app/sr/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.
- Logistička regresijaIstraživačka statistika↔ compare
- Naivni BejzMašinsko učenje↔ compare
- Slučajna šumaMašinsko učenje↔ compare
- Semi-supervised LearningMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →