主动学习法

简介：
《主动学习法》是一本指导读者如何通过积极策略提高学习效率和效果的书籍。书中详细介绍了多种有效学习技巧及应用实例，帮助读者优化个人学习路径。 主动学习（Python）如今获取未标记的数据变得非常容易，但获取已标记的数据却是一项艰巨的任务。当数据有限且需要提高模型准确性时，主动学习框架可以提供帮助。其基本原理是智能查询以识别信息量最大的实例。 构建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应用的查询策略。以下是几种常见的查询策略： 1. 不确定性抽样：这是一种让活跃的学习者从一组未标记示例中提取最有用示例的方法，并将这些示例提交以进行标记。首先，为每个示例计算衡量预测有用性的指标，然后根据此信息做出决策。 分类不确定性、分类余量和分类熵是modAL文档提供的三种度量方法，用于基于主动学习池的采样以及基于流的采样策略中。这几种度量方式可以用来决定哪些实例应当被选出来进行查询以评估其有用性。 下面的例子展示了如何在fetch_covtype数据集上应用Active学习者，并使用了基于池的采样技术。在此场景下，未标记的数据数量将直接影响模型的学习效率和效果。