6、主动学习中的模型预测解读与数据利用

主动学习中的模型预测解读与数据利用

在机器学习领域，主动学习是一种强大的技术，它能够让模型在学习过程中更高效地利用数据。下面我们将深入探讨如何解读模型预测和数据，以支持主动学习，以及构建获取人工标签的接口等内容。

模型预测与数据解读

几乎所有监督式机器学习模型都会给出两个关键信息：预测标签（或一组预测）以及与每个预测标签相关联的数值。这些数值通常被解释为预测的置信度，但实际情况可能因数值的生成方式而异。

例如，对于一条可能与灾难相关的消息，模型的预测结果如下：

{
    "Object": {
        "Label": "Not Disaster-Related",
        "Scores": {
            "Disaster-Related": 0.475524352,
            "Not Disaster-Related": 0.524475648
        }
    }
}

在这个预测中，消息被预测为“与灾难无关”，置信度为 52.4%。这意味着系统认为该预测正确的可能性为 52.4%。从任务的角度来看，由于“与灾难相关”的可能性仍相对较高，因此有必要让人对结果进行审核。如果该消息实际上与灾难相关，那么模型就出现了错误预测，将其添加到训练数据中可以避免错过类似的示例。

置信度排序

假设我们有另一条消息的预测结果如下：

{
    "Object": {
        "Label":