Aktiv inlärning med LightGBM
Active Learning LightGBM kombinerar den frågeeffektiva strategin för etiketturval inom aktiv inlärning med hastigheten och noggrannheten hos LightGBM, ett histogram-baserat ramverk för gradient-boosting. Modellen väljer iterativt de mest informativa oetiketterade instanserna för mänsklig annotering, tränar om LightGBM på den växande etiketterade datamängden och konvergerar mot hög noggrannhet med betydligt färre etiketterade exempel än passiv övervakad 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
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, 6(1), 1–114. Morgan & Claypool. DOI: 10.2200/S00429ED1V01Y201207AIM018 ↗
- Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Advances in Neural Information Processing Systems, 30, 3146–3154. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Active Learning with Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/sv/machine-learning/active-learning-lightgbm
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 lärandeMaskininlärning↔ compare
- Gradient BoostingMaskininlärning↔ compare
- LightGBMMaskininlärning↔ compare
- Random ForestMaskininlärning↔ compare
- XGBoostMaskininlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →