【机器学习】主动学习-增加标签的操作方法-样本池采样（Pool-Based Sampling）

Pool-Based Sampling

Pool-based sampling 是一种主动学习（Active Learning）方法，与流式选择性采样不同，它假设有一个预先定义的未标注样本池，算法从中选择最有价值的样本进行标注，以提升模型的性能。这种方法广泛应用于需要人工标注的场景，例如文本分类、图像识别等。

---

核心思想

1. 预先准备一个 未标注数据池（Unlabeled Data Pool）。
2. 使用初始标注数据训练一个模型。
3. 算法根据特定的选择策略，从未标注池中挑选最有价值的数据点。
4. 将选中的数据点交给 Oracle（标注者）进行标注。
5. 用新标注的数据更新模型。
6. 重复上述过程，直到达到停止条件（如标注预算耗尽或模型精度满足要求）。

---

主要步骤

1. 初始化：

   • 准备一个初始的小型标注数据集，用于训练初始模型。
   • 定义一个未标注样本池。

2. 选择样本：

   • 基于选择策略，从未标注样本池中选出最有助于提升模型性能的样本。

3. Oracle 标注：

   • 将选中的样本交由 Oracle（人工或自动标注系统）标注。
   <