主动学习（Active Learning）是一种机器学习方法，通过选择最有信息量的数据进行标注，从而提高模型的学习效率。以下是一些常见的主动学习策略和方法：
-
不确定性采样（Uncertainty Sampling）：
- 选择模型对其预测最不确定的数据点进行标注。常用的度量包括预测概率的熵、置信度等。
-
代表性采样（Representative Sampling）：
- 选择在数据分布中具有代表性的数据点，确保选择的数据能覆盖更广泛的特征空间。
-
查询-by-committee（QBC）：
- 训练多个模型（委员会），通过它们之间的不同预测来选择不确定性最大的样本进行标注。
-
聚类方法：
- 先对未标记数据进行聚类，然后选择每个聚类中最具代表性或最不确定的数据点进行标注。
-
基于信息增益的采样：
- 选择那些能够最大化信息增益的数据点进行标注，以提高模型的信息量和性能。
-
主动学习与迁移学习结合：
- 在源领域中进行主动学习，然后将学到的知识迁移到目标领域，减少目标领域的标注需求。
-
多样性采样：
- 选择那些在特征空间上相互不同的数据点，确保选择的数据点之间的多样性，以提高模型的泛化能力。
-
基于模型的反馈机制：
- 通过对模型性能的反馈，不断调整采样策略，以便更好地选择需要标注的数据。
这些方法可以单独使用，也可以组合使用，根据具体的应用场景和数据特性选择最合适的策略。
