Apprentissage Actif Par Modèles Locaux: vers une formalisation Bayesienne

Apprentissage Actif Par Modèles Locaux: vers une formalisation Bayesienne

Les méthodes d'apprentissage statistiques exploitent des exemples, pour enseigner un comportement à un modèle prédictif. La classification supervisée requiert des exemples étiquetés. En pratique, l'étiquetage des exemples peut se révéler coûteux. Dans certains cas, l'étiquetage implique un expert humain, un instrument de mesure, un temps de calcul levé...etc. Les méthodes d'apprentissage actif réduisent le coût de préparation des données. Ces méthodes cherchent à étiqueter uniquement les exemples les plus utiles à l'apprentissage d'un modèle. Les stratégies actives de la littérature utilisent généralement des modéles globaux à l'espace des variables d'entrées. Nous proposons une stratégie originale qui effectue un partitionnement dichotomique récursif de l'espace d'entrée. Cette stratégie met en compétition les modèles locaux à chacune des zones, pour choisir les exemples à étiqueter.

Mais sobre este produto