无预测模型的数据不确定性

机器学习的数据获取过程通常代价高昂。为以更少数据构建高性能预测模型，常将预测难度作为获取新数据点时的采集函数。该预测难度被称为预测模型中的不确定性。我们提出一种名为距离加权类别不纯度的不确定性估计方法，无需显式使用预测模型。我们利用位置周边的距离与类别不纯度估计不确定性，并通过主动学习任务将其与若干基于预测模型的不确定性估计方法进行比较。我们验证了距离加权类别不纯度无论预测模型如何均能有效地工作。