เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| การเรียนรู้เชิงรุกเครื่องเวกเตอร์สนับสนุน× | การเรียนรู้แบบกึ่งกำกับดูแล× | |
|---|---|---|
| สาขาวิชา | การเรียนรู้ของเครื่อง | การเรียนรู้ของเครื่อง |
| ตระกูล | Machine learning | Machine learning |
| ปีกำเนิด≠ | 2001 | 1970s–2006 (formalized) |
| ผู้ริเริ่ม≠ | Tong, S. & Koller, D. | Vapnik, V. N. and others (community of researchers, 1970s–2000s) |
| ประเภท≠ | Active learning + kernel classifier | Learning paradigm |
| แหล่งต้นตำรับ≠ | Tong, S., & Koller, D. (2001). Support Vector Machine Active Learning with Applications to Text Classification. Journal of Machine Learning Research, 2, 45–66. link ↗ | Chapelle, O., Scholkopf, B., & Zien, A. (Eds.) (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9 |
| ชื่อเรียกอื่น | Active SVM, AL-SVM, SVM active learning, query-by-committee SVM | SSL, semi-supervised machine learning, transductive learning, label-efficient learning |
| ที่เกี่ยวข้อง≠ | 3 | 5 |
| สรุป≠ | Active learning SVM combines the strong decision-boundary of support vector machines with an intelligent query strategy that selects the most informative unlabeled instances for human annotation. Introduced by Tong and Koller in 2001, it achieves high classification accuracy using far fewer labeled examples than passive supervised learning, making it practical whenever labeling is expensive or slow. | Semi-supervised learning (SSL) is a machine learning paradigm that trains models using a small set of labeled examples together with a much larger pool of unlabeled data. By leveraging the structure inherent in unlabeled data, SSL achieves accuracy closer to fully supervised models while requiring far fewer costly manual labels — making it practical when labeling is expensive, slow, or resource-constrained. |
| ScholarGateชุดข้อมูล ↗ |
|
|