[中英对照] 主动机器学习：基于 Python 实现（双语对

照版电子书） 书籍核心内容 （一）主动机器学习基础（第一部分） 这部分旨在为读者搭建主动机器学习的基础框架，深入解析其核心概念与关键构成。 主动机器学习概述：主动机器学习是一种动态迭代的机器学习方法，算法能主动与 “预言机”（如人类标注者、专业标注系统等）交互，获取数据标签。其核心目标是挑选最具信息价值的数据点进行标注，相较于依赖大量预标注数据的传统监督学习，以及仅处理无标签数据的无监督学习，它通过半监督学习策略，在减少标注工作量的同时提升模型准确率。在计算机视觉的图像分类、目标检测，自然语言处理的文档分类、翻译，异常检测的欺诈识别，推荐系统的用户偏好收集，医疗诊断的病例分析等多个领域都有出色应用。 关键组成与交互流程：主动机器学习系统包含无标签数据集（算法可从中查询数据点，规模可从数万到数百万不等）、查询策略（核心机制，决定选择哪些数据点获取标签）、机器学习模型（如神经网络、随机森林等待训练的预测模型）和预言机（提供标签的来源）四大关键组件。各组件通过 “查询策略筛选数据点→预言机标注→新标注数据训练模型→更新模型指导下一轮查询” 的循环流程协同工作，让模型不断优化。 查询策略场景：主要有三种场景。成员查询合成中，模型可自行生成新数据点请求标注，虽能针对性探索薄弱环节，但在处理图像、音频等复杂数据时难度大且易过拟合；流数据选择性采样适用于用户行为、传感器实时数据等场景，能实时决策是否标注，节省存储，但无法回溯已丢弃数据，且难适应数据分布变化；池式采样从静态数据池选取数据标注，灵活性高，可反复查询调整策略，不过对存储和计算资源要求较高，是当前实际应用中较实用的方案。 与被动学习的对比：被动学习依赖固定预标注数据集，模型训练过程无交互，且数据标注存在依赖专家、耗时长、易出错、成本高、难适应新情况等问题。而主动学习通过动态选择标注数据，减少所需标注数据量，还能通过多轮迭代调整策略，降低成本并提升模型适应性。 （二）查询策略框架设计（第二部分） 这部分聚焦主动机器学习中关键的查询策略框架，详细讲解多种主流策略的原理、实现与优劣。 不确定性采样：该策略针对模型预测不确定性高的数据点，通常是靠近分类边界的数据。包含 least - confidence 采样（计算 1 与模型最自信预测概率的差值，差值大则优先级高）、边际采样（选取前两类预测概率差值最小的数据）、置信比采样（选择前两类预测概率比值最小的数据）、熵采样（挑选类别概率分布熵最大，即不确定性最高的数据）四种方法。具有直观、计算高效、适用范围广等优点，还能助力异常检测和识别标注错误。 委员会查询方法：通过多个模型组成 “委员会”，选择成员间分歧大的数据点。最大分歧法直接依据成员预测标签的分歧程度选择；投票熵法计算成员投票分布的熵，熵高则分歧大；平均 KL 散度法衡量单个模型与委员会平均预测分布的差异，差异大的数据优先。该方法能促进数据多样性探索，可组合多种模型，但训练多个模型计算成本高，且需不断重新训练委员会模型。 期望模型变化（EMC）采样：旨在选择标注后对模型参数和预测改变最大的数据点，常通过计算期望梯度长度（EGL）评估，梯度长的 data 对模型影响大。能主动探索数据空间中影响显著的区域，适配多种模型，且无需每次都完整重新训练模型，但计算成本高，实际应用较少。 期望误差减少（EER）采样：关注标注后模型泛化误差的预期降低程度，通过损失函数（如对数损失、0 - 1 损失）计算预期误差。可直接优化泛化误差，避免过拟合，但估算误差减少过程计算量大，同样在实际中应用有限。 密度加权采样：结合数据点的信息价值与局部密度，平衡信息性和数据分布代表性，避免过度采样密集区域。常用 k 近邻密度、核密度估计（KDE）、K 均值聚类、最大均值差异（MMD）等方法计算密度。能提升模型性能、减少标注样本量且适用于各类数据，但在高维数据中密度估计难度较大。 （三）实际应用与工具（第三部分） 这部分将理论与实践结合，介绍主动机器学习在实际场景中的应用及相关工具。 计算机视觉应用：在图像分类任务中，以 CIFAR - 10 数据集为例，先构建简单 CNN 或使用预训练模型，从少量标注数据起步，通过不确定性采样选择模型不确定的图像标注，逐步扩充训练集提升模型在测试集上的准确率。针对目标检测，以脑肿瘤检测数据集为例，利用 Ultralytics 的 YOLO 模型，先训练初始标注数据，再依据模型对未标注图像预测的置信度，选择低置信度图像标注并更新模型，改善检测精度相关指标。在实例分割任务中，类似地以草莓数据集为例，使用 YOLOv8 - seg 模型，通过主动选择标注数据优化分割性能，其输出的掩码能更精细地定位目标。 大数据处理：针对视频数据量大、帧间冗余多的问题，引入 Lightly 工具。先使用预训练目标检测模型对视频帧进行推理，筛选关键类别预测结果，再创建 Lightly 所需的配置文件，接着调度主动学习任务，结合多样性、类别平衡、预测分数等策略选择关键帧。还可集成自监督学习（SSL）微调模型，提升嵌入特征质量，最后将选中帧发送到标注平台（如 Encord）进行标注，构建高效的视频数据处理流程。 效率评估与提升：构建高效的主动机器学习流水线需实现数据存储、模型运行、结果处理与标注平台的自动化衔接，选择合适的硬件（如 AWS EC2 实例），并通过配置文件参数化设置策略、模型等，提升可扩展性。同时，借助日志记录、MLOps 平台（如 ClearML）监控运行状态，利用数据库（如 MongoDB）管理标注队列。确定主动学习运行停止时机时，需结合预设性能指标（如准确率、精度）、避免过拟合、考虑资源约束、关注性能提升边际效益，并通过反馈循环持续评估调整。在生产环境中，主动学习可通过不确定性采样、异常检测、委员会查询、反馈循环等机制，早期检测数据漂移（输入数据统计特性变化）和模型衰减（模型性能下降），及时调整模型，保障模型长期有效。 工具与包应用：scikit - learn 虽非专为主动学习设计，但提供大量传统机器学习算法和工具，可作为基础模型开发，并与其他主动学习包结合使用，例如在客户细分场景中，先通过 KMeans 聚类，再结合逻辑回归分类器，通过主动学习迭代优化模型。modAL 基于 scikit - learn，提供丰富的主动学习策略（如不确定性采样、委员会查询），支持自定义策略，能便捷集成到现有工作流，适用于图像分类、回归等任务，例如在图像分类中用其不确定性采样选择标注数据，或构建多模型委员会提升数据选择的有效性。此外，还有 Label Studio（开源多类型数据标注工具，支持主动学习集成）、Prodigy（高效 NLP 标注工具，实时反馈迭代）、Encord Active（聚焦图像视频的主动学习标注平台）、Cleanlab（检测修正标签错误）等多种工具，可根据项目需求选择，助力高效实现主动机器学习流程。 三、书籍适用人群与价值 本书适合数据科学家、机器学习工程师、研究人员以及希望优化机器学习工作流程的人员。无论是初次接触主动机器学习，还是想提升现有模型性能的从业者，都能从中获取通过策略性查询和学习技术优化数据利用的知识。通过阅读本书，读者可掌握减少标注成本、提升模型性能的实用策略，将主动学习应用于计算机视觉、自然语言处理等多个领域，提升模型效率与适应性，为实际机器学习项目提供有力的理论指导和实践支持。