[1][2][3] En la literatura estadística, a veces también se le llama diseño experimental óptimo.
En dicho escenario, los algoritmos de aprendizaje pueden consultar activamente al usuario/profesor para obtener etiquetas.
Dado que el aprendiz elige los ejemplos, el número de ejemplos necesarios para aprender un concepto a menudo puede ser mucho menor que el necesario en el aprendizaje supervisado normal.
Con este enfoque, existe el riesgo de que el algoritmo sea abrumado por ejemplos poco informativos.
Durante cada iteración, i, T se divide en tres subconjuntos: La mayor parte de la investigación actual en aprendizaje activo se centra en el mejor método para elegir los puntos de datos para
Los algoritmos para determinar cuáles puntos de datos deben ser etiquetados pueden organizarse en varias categorías diferentes, según su propósito:[1] Se han estudiado una amplia variedad de algoritmos que se encuadran en estas categorías.
son aquellos sobre los cuales la SVM tiene más incertidumbre y, por lo tanto, deberían colocarse en
Otros métodos similares, como el Hiperplano marginal máximo, eligen datos con el valor más grande de