在标记几次迭代之后，根据特征分布， exploration 策略通常会变得 如果没有数据点高于 越来越没用，因为我们已经探索了大部分密集区域。尽管如此，随着你不断提供新的标签，模型的性能应该会提高。这意味着 exploitation 策略将变得越来越有用，最终正确地放置决策边界。为了确保利 如果没有数据点高于 用正确的技术，你可以实现平稳过渡，以便在第一次迭代中 epsilon 小于 0.5，当你看到模型性能的提高时，epsilon 会大于 0.5。
就是这样
在主动学习中，我们可以使用潜在分数从探索走向开发：从发现特征空间中专家感兴趣的新案例，到关注模型需要人工输入的关键案例。但问题是：我们什么时候停止？
主动学习应用程序可能会为潜力设置一个阈值。 阈值，则意味着我们已经探索了整个特征空间，并且模型在每个预测中都具有足够的确定性（不太可能）。因此，我们可以结束人机交互循环。
停止应用程序的
另一种方法是，如果您有足够的新标签来构建测试集，则通过测量模型的性能来停止应用程序。如果模型的性能已达到一定的准确性，我们可以自动结束循环并导出模型。尽管有这些停止标准，但在大多数主动学习应用程序中，专家应该尽可能多地标记并自由退出应用程序并保存输出，即模型和迄今为止收集的标签。