Active Learning Boosting
Active Learning Boosting kombinerar den frågedrivna förvärvningen av etiketter från aktiv inlärning med den viktade ensemblelogiken hos boostingalgoritmer som AdaBoost. Modellen väljer iterativt de mest informativa oetiketterade exemplen för annotering – styrd av oenighet eller osäkerhet inom boostingensemblen – och tränar om efter varje ny etikett, vilket ger hög noggrannhet med betydligt färre etiketterade exempel än passiv inlärning.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Active Learning with Boosting Ensembles. ScholarGate. https://scholargate.app/sv/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.
- Aktivt lärande Support Vector MachineMaskininlärning↔ compare
- BoostingMaskininlärning↔ compare
- Online BoostingMaskininlärning↔ compare
- Semi-övervakad inlärningMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →