کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6938745 1449964 2018 15 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A benchmark and comparison of active learning for logistic regression
ترجمه فارسی عنوان
معیار و مقایسه یادگیری فعال برای رگرسیون لجستیک
کلمات کلیدی
یادگیری فعال، رگرسیون لجستیک، طراحی تجربی، معیار، نقشه های ترجیحی
ترجمه چکیده
رگرسیون لجستیکی تا حدی به عنوان طبقه بندی به کار رفته در دنیای واقعی مورد استفاده قرار گرفته است. در این مقاله، روشهای یادگیری فعال در زمینه رگرسیون لجستیک را مورد بررسی قرار می دهیم و ویژگی های اصلی آن را مورد بحث و توضیح قرار می دهیم. آزمایش ها بر روی سه مجموعه داده های مصنوعی و 44 مجموعه داده های دنیای واقعی انجام می شود که بینش رفتارهای این روش های یادگیری فعال را نسبت به منطقه منحنی یادگیری (که دقت طبقه بندی را به صورت تابع از تعداد نمونه های درخواست شده) ارائه می دهد، و هزینه های محاسباتی آنها. به طور شگفت انگیز، یکی از اولین و ساده ترین روش های یادگیری فعال، یعنی نمونه گیری غیرقطعی، به طور کلی فوق العاده ای ارائه می دهد. یکی دیگر از یافته های قابل توجه این است که نمونه گیری تصادفی، که پایه ابتدایی برای بهبود است، توسط روش های یادگیری فعال فردی در بسیاری از موارد غرق نمی شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
معیار و مقایسه یادگیری فعال برای رگرسیون لجستیک
چکیده انگلیسی
Logistic regression is by far the most widely used classifier in real-world applications. In this paper, we benchmark the state-of-the-art active learning methods for logistic regression and discuss and illustrate their underlying characteristics. Experiments are carried out on three synthetic datasets and 44 real-world datasets, providing insight into the behaviors of these active learning methods with respect to the area of the learning curve (which plots classification accuracy as a function of the number of queried examples) and their computational costs. Surprisingly, one of the earliest and simplest suggested active learning methods, i.e., uncertainty sampling, performs exceptionally well overall. Another remarkable finding is that random sampling, which is the rudimentary baseline to improve upon, is not overwhelmed by individual active learning techniques in many cases.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition - Volume 83, November 2018, Pages 401-415
نویسندگان
, ,