Active-Learning-源码

JupyterNotebook

主动学习（Python）如今，获取未标记的数据已经非常简单。但是，获取标记数据确实是非常困难的任务。主动学习是一个这样的框架，当您的数据有限而又需要更高的模型准确性时，该框架将为您提供帮助。智能查询以识别信息最多的实例是主动学习的基本原理。建立任何主动学习模型的关键因素是我们选择的确定性度量和我们应用的查询策略。查询策略： 1.不确定性抽样任何活跃的学习者在看到一组未标记的示例后，都会提取出最有用的示例，并提供相同的示例以进行标记。首先，为每个示例计算衡量预测的有用性，然后根据有用性进行决策。分类不确定性，分类余量和分类熵是modAL文档中针对基于主动学习池的采样和基于流的采样的三种内置度量，这是可以将实例发送到查询以评估度量有用性的不同方式。基于池的采样下面的示例使用基于池的采样展示了Active学习者在fetch_covtype数据集上的应用。此处，与未标记数

文件下载

资源详情

[{"title":"（ 4 个子文件 561KB ） Active-Learning-源码","children":[{"title":"Active-Learning-main","children":[{"title":"q1_query_by_committe.ipynb 667.16KB ","children":null,"spread":false},{"title":"README.md 14.45KB ","children":null,"spread":false},{"title":"Q1_uncertainity_sampling_pool based.ipynb 42.38KB ","children":null,"spread":false},{"title":"q1_uncertainity_sampling_stream_based.ipynb 50.65KB ","children":null,"spread":false}],"spread":true}],"spread":true}]

评论信息

其他资源

免责申明

【只为小站】的资源来自网友分享，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，【只为小站】无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论【只为小站】经营者是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二条之规定，若资源存在侵权或相关问题请联系本站客服人员，zhiweidada#qq.com，请把#换成@，本站将给予最大的支持与配合，做到及时反馈和处理。关于更多版权及免责申明参见版权及免责申明

Active-Learning-源码

文件下载

资源详情

评论信息

其他资源

免责申明

个人信息

热门下载

最新下载