开源项目libact安装与使用指南-CSDN博客

本文链接：https://blog.csdn.net/gitblog_00641/article/details/141120494

开源项目libact安装与使用指南

libactPool-based active learning in Python项目地址:https://gitcode.com/gh_mirrors/li/libact

目录结构及介绍

在克隆或下载了libact仓库后，主要目录和文件说明如下：

libact: 包含了所有实现Active Learning功能的核心代码。
- base: 提供基本的数据结构和函数以支持其他高级策略的实现。
- labelers: 定义各种标签器（Oracle）接口和默认实现。
- models: 模型接口及其基于不同机器学习库的具体模型实例化。
- query_strategies: 主要active learning查询策略的实现。
docs: 文档目录，其中包含了API参考手册和示例。
examples: 示例脚本和数据集，用于演示libact的功能以及如何进行常见的设置和操作。
.gitignore, LICENSE, README.md, setup.py, etc.: 版本控制相关文件，许可协议，项目描述，以及打包和安装必需的元数据文件。

启动文件介绍

由于libact不是一个单一应用而是多个组件组成的包，其“启动”更多地指代在Python环境中调用libact来执行特定任务的方式。以下是一种常见模式：

导入核心模块

在你的Python脚本中，通常首先导入必要的libact模块：

from libact.base.dataset import Dataset
from libact.models import SVM
from libact.query_strategies import UncertaintySampling
from libact.labelers import IdealLabeler

创建实例并运行

随后，你可以创建一个Dataset实例，初始化你的机器学习模型（如SVM），选择一种查询策略（例如UncertaintySampling），并定义一个标签器。然后，通过这些组件来构建和运行Active Learning循环。

dataset = Dataset(...) # 初始化数据集
labeler = IdealLabeler(dataset) # 创建标签器
model = SVM() # 创建模型
qs = UncertaintySampling(dataset=dataset, model=model) # 创建查询策略
for i in range(10):
    ask_id = qs.make_query() # 根据查询策略挑选样本索引
    X, y = dataset.data[ask_id]
    y = labeler(X)
    qs.update(y)