FASE-AL——快速自适应集成堆叠算法在主动学习中的适配
机器学习
2020-01-31 v1 人工智能
机器学习
摘要
近年来，用于挖掘数据流的分类算法已被广泛研究。然而，许多此类算法是为需要带标签样本的监督学习而设计的。尽管如此，数据标注成本高且耗时。因此，人们提出了替代学习范式，以在不显著损失模型性能的前提下降低标注过程的成本。主动学习便是其中之一，其主要目标是构建仅需请求最少量的带标签样本即可达到适当准确度的分类模型。为此，本文提出FASE-AL算法，该算法利用主动学习以无标签样本归纳分类模型。FASE-AL基于快速自适应集成堆叠（FASE）算法。FASE是一种集成算法，可在输入数据流出现概念漂移时检测并调整模型。FASE-AL与文献中四种不同的主动学习策略进行了比较。实验使用了真实与合成数据库。该算法在正确分类样本百分比方面取得了有前景的结果。
引用
@article{arxiv.2001.11466,
title = {Fase-AL -- Adaptation of Fast Adaptive Stacking of Ensembles for Supporting Active Learning},
author = {Agustín Alejandro Ortiz-Díaz and Fabiano Baldo and Laura María Palomino Mariño and Alberto Verdecia Cabrera},
journal= {arXiv preprint arXiv:2001.11466},
year = {2020}
}
备注
10 pages, 6 figures