python 中 SVM 的主动学习（例如池抽样）
Active Learning (e.g. Pool Sampling) for SVM in python
我正在研究一个可以从主动学习协议中获益良多的问题（例如，与现有模型相比，给定一组未标记数据，该算法要求未标记数据的子集由 'oracle').
有没有人有在 SVM 中（最好在 python 中）实施主动学习（使用池抽样、委员会查询或其他方式）的示例？
在 python 中实施主动学习非常简单。对于最简单的情况，您只需 select 个要查询的新样本，它在您学习的 SVM（简单不确定性采样）上具有 decision_function 的最小绝对值，这基本上是一行长！。假设您有一个二元分类，在 clf 中有经过训练的 svm，在 X 中有一些未标记的示例，您只需 select
sample = X[np.argmin(np.abs(clf.decision_function(X)))]
您也可以在 github 上找到许多不同的实现，例如去年 ECML 的 AL 论文：https://github.com/gmum/mlls2015
基于池的抽样的两种流行查询策略是不确定性抽样和委员会查询（参见paper for an extensive review). The following library implements three common uncertainty strategies: least confident, max margin and entropy as well as two committee strategies: vote entropy and average KL divergence: https://github.com/davefernig/alp
该库与 scikit-learn 兼容，可以与任何分类器一起使用。它使用随机二次抽样作为衡量主动学习收益的基线。
我正在研究一个可以从主动学习协议中获益良多的问题（例如，与现有模型相比，给定一组未标记数据，该算法要求未标记数据的子集由 'oracle').
有没有人有在 SVM 中（最好在 python 中）实施主动学习（使用池抽样、委员会查询或其他方式）的示例？
在 python 中实施主动学习非常简单。对于最简单的情况，您只需 select 个要查询的新样本，它在您学习的 SVM（简单不确定性采样）上具有 decision_function 的最小绝对值，这基本上是一行长！。假设您有一个二元分类，在 clf 中有经过训练的 svm，在 X 中有一些未标记的示例，您只需 select
sample = X[np.argmin(np.abs(clf.decision_function(X)))]
您也可以在 github 上找到许多不同的实现，例如去年 ECML 的 AL 论文：https://github.com/gmum/mlls2015
基于池的抽样的两种流行查询策略是不确定性抽样和委员会查询（参见paper for an extensive review). The following library implements three common uncertainty strategies: least confident, max margin and entropy as well as two committee strategies: vote entropy and average KL divergence: https://github.com/davefernig/alp
该库与 scikit-learn 兼容，可以与任何分类器一起使用。它使用随机二次抽样作为衡量主动学习收益的基线。