Active Learning with Decision Tree Classifier

Att märka varje träningsexempel är dyrt. Aktivt lärande löser detta genom att låta modellen fråga: 'Vilket omärkt exempel, om det märktes, skulle lära mig mest?' Ett beslutsträd används som klassificerare som uppskattar osäkerhet vid varje frågesteg. Efter att varje ny etikett har lagts till, tränas trädet om och frågecykeln upprepas. Resultatet är en modell som uppnår konkurrenskraftig noggrannhet med betydligt färre märkta exempel än ett helt övervakat träd tränat från grunden, vilket gör det praktiskt för situationer där annotering är kostsam eller tidskrävande.