.png){kind=icon}
返回
Active learning evaluation metrics for classification and regression frameworks
.png){kind=icon}
OA
AI
DOI：10.1016/j.engappai.2026.114295.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，物联网（IoT）设备的快速增长、社交媒体平台的普及以及各类在线环境（如流媒体平台和移动应用程序）中的用户交互，导致生成数据量显著增加。然而，由于这些数据是原始且未标注的，其对训练有监督机器学习模型的价值仍然有限。该挑战因手动标注过程的高成本和耗时性而进一步复杂化。主动学习（AL）通过选择性地标注少量但高度信息丰富且具有代表性的数据子集，提供了解决方案，以实现更好的泛化能力，并改善模型在分类和回归任务中对未见数据的性能。主动学习技术的应用涵盖分类和回归框架，每种框架面临不同的挑战，如二分类或多分类设置、平衡与不平衡数据集以及异常值的存在。这种多样性需要为每种AL场景定制公平且具有代表性的指标。尽管存在这种需求，一些评估指标仍被低估，许多研究仅考虑有限视角，通常在不考虑所选标注数据代表性的情况下评估性能。此外，一些研究使用了不恰当或有限的指标。这促使我们研究更公平的主动学习算法评估指标。在本研究中，我们回顾了当前的AL评估指标，强调了尚未充分探索但新兴的指标，并概述了关键研究问题。我们还旨在突出之前未探索的评估指标，这些指标可以从传统指标未涉及的视角为评估主动学习器提供有价值的见解。
Keyword:
Active learning
Evaluation metrics
Active learning evaluation
Semi-supervised learning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
8
论文数:
5.7K
被引数:
3.5W
机构
暂无机构信息
引用论文
Active Learning From Imbalanced Data: A Solution of Online Weighted Extreme Learning Machine不平衡数据的主动学习: 在线加权极限学习机的解决方案
PREAI
分享收藏How to measure uncertainty in uncertainty sampling for active learning主动学习不确定度抽样中如何测量不确定度.png)
MACHINE LEARNINGOAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation在回归分析评估中，决定系数R平方比SMAPE，MAE，MAPE，MSE和RMSE更具信息性OAAI
OAAI分享收藏
查看更多内容