LightGBM Học Chủ Động
LightGBM Học Chủ Động kết hợp chiến lược lựa chọn truy vấn hiệu quả về chi phí của học chủ động với tốc độ và độ chính xác của LightGBM, một khuôn khổ tăng cường độ dốc dựa trên biểu đồ. Mô hình lặp đi lặp lại lựa chọn các mẫu chưa được gán nhãn có nhiều thông tin nhất để chú thích thủ công, huấn luyện lại LightGBM trên tập dữ liệu đã gán nhãn đang phát triển và hội tụ về độ chính xác cao với số lượng ví dụ được gán nhãn ít hơn nhiều so với học giám sát thụ động.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Active Learning with Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/vi/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.
- Học chủ độngHọc máy↔ compare
- Gradient BoostingHọc máy↔ compare
- LightGBMHọc máy↔ compare
- Rừng ngẫu nhiênHọc máy↔ compare
- XGBoostHọc máy↔ compare
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →