图比较两种采样技术及其产生的模型。左侧，使用十个随机选择的 您还会发现一个专用的主 数据点训练的模型显示一条实线，该实线与样本相符，但与我们试图学习的体重指数启发式方法（虚线）截然不同。右侧，主动学习采样定义了一个紧密的样本，导致决 您还会发现一个专用的主 策边界非常接近所需的虚线。
为了计算这些结果
我们使用了分析平台。您可以在以下平台上找到运 WhatsApp 号码数据 行此实验的工作流程（图 3）： 中心。它使用 主动学习扩展。此工作流程生成一个交互式视图（图 3），您可以使用它来比较错误分类和两个模型的性能。
主动学习扩展提供了许多节点，使我们能够构建工作流，以各种方式 代理培训和高效工具 实现主动学习技术。这些节点包括用于估计模型不确定性的节点，以及基于密度的模型，这些节点可确保您的模型探索整个特征空间，从而轻松平衡数据的探索和利用。 循环以及一个标记视图，可用于创建主动学习 WebPortal 应用程序。这些应用程序隐藏了底层工作流的复杂性，并允许用户专注于执行标记新示例的任务。
图 运行实验的工作流程
您可以从 Hub 下载它。在顶部分支中，分区节点 系统 印度尼西亚号码列表 已经 选择十个随机数据点来训练第一个 SVM。在底部分支中，主动学习循环根据探索与利用方法选择十个数据点。两个模型的预测被导入到一个组件中，该组件生成一个交互式视图（图 4）。