Was ist aktives Lernen?

Aktives Lernen ist ein Ansatz im maschinellen Lernen, bei dem der Algorithmus selbst die informativsten Beispiele für die Kennzeichnung und das Training auswählt. Anstatt auf einer großen Menge zufällig gekennzeichneter Daten zu trainieren, fordert das Modell nur die Kennzeichnung der Daten an, die ihm am meisten bei der Verbesserung helfen.

Dies ist besonders nützlich, wenn die Datenkennzeichnung teuer oder arbeitsintensiv ist. Der aktive Algorithmus wählt Beispiele mit der größten Unsicherheit oder solche, die an der Entscheidungsgrenze liegen.

Beispiel: Bei einer Klassifizierungsaufgabe kann das Modell die Objekte auswählen, bei denen es am wenigsten Vertrauen hat, um die Qualität schneller zu verbessern.

Aktives Lernen ist eng mit schwacher Überwachung verbunden, bei der schwache oder unvollständige Quellen für die Modellschulung verwendet werden.