Логістична регресія з активним навчанням
Логістична регресія з активним навчанням — це ітеративний фреймворк, що вимагає мало міток, у якому модель логістичної регресії обирає нерозмічені приклади, щодо яких вона найбільш невпевнена, оракул (людина-анотатор) розмічає їх, і модель перенавчається — повторюючи процес до вичерпання бюджету на розмітку або досягнення цільової точності. Це драматично знижує вартість анотування порівняно з випадковою розміткою.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Active Learning with Logistic Regression (Uncertainty Sampling). ScholarGate. https://scholargate.app/uk/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.
- Логістична регресіяСтатистика досліджень↔ compare
- Наївний БайєсМашинне навчання↔ compare
- Випадковий лісМашинне навчання↔ compare
- Напівкероване навчанняМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →