記事についてのディスカッション

新しいコメント
 

新しい記事「トランスダクション・アクティブ機械学習におけるスロープブースト」はパブリッシュされました:

本記事では、実データを活用したアクティブな機械学習手法について考察するとともに、その長所と短所について考察していきます. おそらく、いくつかの方法が有用であるとわかるでしょうし、機械学習モデルのアーセナルにインクルードするでしょう. トランスダクションは、サポートベクターマシン（SVM）の共同発明者であるVladimir Vapnik氏が紹介しています.

アクティブラーニングに直行して、その効果をデータで検証してみましょう.

Python言語でアクティブラーニングを行うためのライブラリはいくつかありますが、その中でも最も人気のあるものがです.

  • modAL はシンプルで学習しやすいパッケージで、人気のある機械学習ライブラリ scikit-learn のラッパのようなものです (完全に互換性があります). このパッケージは、最も人気のあるアクティブラーニングの手法を提供しています.
  • Libactは、既存のクエリ戦略よりも多腕バンディット戦略を用いて、最適なクエリを動的に選択します. 
  • Alipy はパッケージプロバイダの研究室のようなもので、多くのクエリストラテジーを含んでいます.

より直感的で、アクティブラーニングの考え方を知るのに適していると判断し、modalライブラリを選択しました. 標準的なブロックを使ってモデルを設計したり、自分でモデルを作成したりと、より自由度が高くなっています.

以上説明した処理を、以下のスキームを用いて考えてみましょう.

作者: Maxim Dmitrievsky

新しいコメント