เปรียบเทียบวิธี

	Active Learning Decision Tree	การเรียนรู้เชิงรุกด้วยโลจิสติกส์รีเกรสชัน
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1984–2010	1994–2010
ผู้ริเริ่ม	Settles, B. (active learning framework); Breiman et al. (decision tree base)	Lewis, D. D. & Gale, W. A.; Settles, B. (survey)
ประเภท	Active learning with decision tree base learner	Active learning framework with logistic regression base learner
แหล่งต้นตำรับ	Settles, B. (2010). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin-Madison.	Settles, B. (2010). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison.
ชื่อเรียกอื่น	AL-DT, active decision tree, query-based decision tree learning, uncertainty-sampling decision tree	AL-LR, logistic regression active learner, uncertainty sampling logistic regression, pool-based active logistic classifier
ที่เกี่ยวข้อง	5	4
สรุป	Active learning with a decision tree combines the interpretable structure of a CART-style tree with a query strategy that selects the most informative unlabeled instances for human annotation. The model iteratively requests labels only for examples it is most uncertain about, minimising labeling cost while maximising classification accuracy on tabular data.	Active Learning with Logistic Regression is an iterative label-efficient framework in which a logistic regression model selects the unlabeled examples it is most uncertain about, an oracle (human annotator) labels them, and the model is retrained — repeating until a labeling budget or accuracy target is met. It dramatically reduces annotation cost compared to random labeling.