Valikmasinaõppimist

Valikmasinaõppimine, tuntud ka kui valikuline masinõppimine või selektiivne masinõppimine, on masinõppimise meetod, kus mudelile esitatakse andmeid, kuid see ei pea kõiki andmepunkte töötlema või neist õppima. Selle asemel valib mudel ise, milliseid andmeid ta kasutab treeninguks või analüüsiks. See lähenemisviis on eriti kasulik suurte ja potentsiaalselt väheoluliste andmehulkade korral, kus kõigi andmete töötlemine oleks ebaefektiivne või liiga kulukas.

Peamine idee on selles, et mudel arendab võimet tuvastada kõige informatiivsemad või kõige raskemini prognoositavad andmepunktid. Need võivad olla näiteks need, mis on klassifitseerimispiiril, või need, millel on suurim mõju mudeli üldisele jõudlusele. Valikmasinõppimist võib pidada aktiivõppe (active learning) vormiks, kus mudel "küSIB" täiendavaid andmeid või otsustab, milliseid andmeid edasiseks töötlemiseks vajab.

Seda tehnikat kasutatakse sageli olukordades, kus andmete märgistamine on kallis või aeganõudev. Kui mudel suudab ise välja valida kõige väärtuslikumad andmepunktid, mida inimene märgistaks, saab oluliselt vähendada vajaliku märgitud andmete hulka, säilitades samal ajal hea mudeli jõudluse. Valikmasinõppimine võib parandada mudeli efektiivsust, vähendada arvutuslikke ressursse ja kiirendada treeningprotsessi. See on kasulik valdkondades nagu pildituvastus, tekstianalüüs ja biomeditsiin.