基于分类树的主动学习:一种封装方法
原文中文,约200字,阅读约需1分钟。发表于: 。使用包装器主动学习方法对分类问题进行改进,通过在初始标记样本上构建分类树,将空间分解为低熵区域,再使用基于输入空间的准则从这些区域中进行子采样,并证明了该方法在使用受限标记数据集时构建准确分类模型的有效性。
本文介绍了一种名为Learning To Sample的新型基于学习的主动学习方法,通过优化不确定性和多样性选择最具代表性和信息量的样本。作者验证了该方法在图像分类、薪资水平预测和实体解析等任务上的有效性,并指出它特别适用于类别不平衡的数据集和解决冷启动问题。