Aktiv inlärning med logistisk regression
Aktiv inlärning med logistisk regression är ett iterativt, etikett-effektivt ramverk där en logistisk regressionsmodell väljer de oetiketterade exemplen den är mest osäker på, en orakel (mänsklig annotatör) etiketterar dem, och modellen tränas om – upprepas tills en etiketteringsbudget eller noggrannhetsmål uppnås. Det minskar annoteringskostnaden dramatiskt jämfört med slumpmässig etikettering.
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. (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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Active Learning with Logistic Regression (Uncertainty Sampling). ScholarGate. https://scholargate.app/sv/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.
- Logistisk regressionForskningsstatistik↔ compare
- Naiv BayesMaskininlärning↔ compare
- Random ForestMaskininlärning↔ compare
- Semi-övervakad inlärningMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →