CommencezCommencez gratuitement

Mettre en place un pipeline d'apprentissage actif

Dans cet exercice, vous allez configurer un apprenant actif à l'aide d'un modèle de régression logistique et d'une stratégie d'échantillonnage par incertitude.

L'ensemble de données a été chargé avec X_labeled pour les données d'entraînement étiquetées, X_unlabeled pour les données d'entraînement non étiquetées et y_labeled pour les étiquettes.

Les bibliothèques nécessaires ont été importées : ActiveLearner de modAL.models, uncertainty_sampling de modAL.uncertainty et LogisticRegression de sklearn.linear_model.

Cette activité fait partie du cours

Reinforcement Learning from Human Feedback (RLHF)

Voir le cours

Instructions de l’exercice

  • Initialisez un objet ActiveLearner.
  • Utilisez LogisticRegression comme estimateur.
  • Utilisez l'échantillonnage par incertitude comme stratégie de requête.
  • Initialisez l'apprenant avec des données d'entraînement étiquetées.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Create the active learner object
learner = ____(
    # Set the estimator 
    ____,
    # Set the query strategy
    ____,
    # Pass the labeled data
    X_training=____, y_training=____
)
Modifier et exécuter le code