# active_learning

**Repository Path**: blacknightking/active_learning

## Basic Information

- **Project Name**: active_learning
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2019-07-30
- **Last Updated**: 2020-12-19

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# README
<!--
- zdobycie niezbędnej wiedzy redukuje zapotrzebowanie na nowe próbki
- nasycenie wiedzą można mierzyć przez RFSD
- HyperplaneSlow, SEASudden - widać, że odpowiedni dobór potrafi nawet przyspieszyć uczenie
- i to uzasadnia parametr budżetu, który pozornie wydawał się zbędny
- dla elecNormNew mamy nadal klasyfikator, który zachowuje się jak losowy
- zmniejszenie chunka działa pozytywnie przez zwiększenie częstotliwości uczenia (częstsze powtarzanie procesu uczenia)
-->

![](figures/RBFGradualRecurring.png)
![](figures/RBFNoDrift.png)
![](figures/RBFBlips.png)
![](figures/SEASuddenFaster.png)
![](figures/SEASudden.png)
![](figures/LEDNoDrift.png)
![](figures/LED.png)
![](figures/HyperplaneFaster.png)
![](figures/HyperplaneSlow.png)
![](figures/elecNormNew.png)
![](figures/covtypeNorm.png)
![](figures/poker-lsn.png)

<!--
Pozytywny wpływ na jakość klasyfikacji (a również na dynamikę krzywej uczenia) mają zarówno liczba neuronów w warstwie ukrytej (im więcej tym lepiej), jak i liczba próbek znajdujących się w pojedynczym chunku (im mniej tym lepiej).

Bujda: Zmniejszenie wielkości chunka wpływa też negatywnie na stabilność wyniku.
-->