【机器学习】主动学习-增加标签的操作方法-流式选择性采样（Stream-based selective sampling）

Stream-Based Selective Sampling

Stream-based selective sampling 是一种主动学习方法，在处理大量数据流时特别有用。它允许学习算法动态选择是否对当前数据实例进行标注（通过与 Oracle 交互）。此方法主要应用于流数据场景中，目的是在不标注所有数据的情况下，提升模型性能。

---

核心思想

在流式选择性采样中，系统从数据流中逐个接收数据点。对于每个接收到的数据点，算法会评估其潜在的学习价值，然后决定是否将其提交给 Oracle 请求标注。如果算法认为一个数据点对模型改进的价值不足，则直接忽略该点。

---

主要步骤

1. 数据流输入：
   数据以流的形式连续到达，系统一次只处理一个数据点。

2. 样本选择策略：
   对于每个数据点，算法基于特定策略（例如不确定性、信息增益）评估它是否值得标注。

3. Oracle 交互：
   如果算法认为该数据点有价值，则向 Oracle 请求标注。否则直接跳过。

4. 模型更新：
   使用被标注的样本更新模型，使其逐步优化。

5. 循环处理：
   持续处理后续流数据。

---

选择策略

在 Stream-Based Selec