您可以将朋友的电影观点融合到一个模型中，但是如果您没 弱监督取代主动学 有任何标签来训练通用监督模型，这有什么用呢？弱监督如何成为通用分类任务中主动学习的替代方案？这种类比如何与主动学习中的单个人类专家相比，让许多“朋友”标记“电影”效果更好？
主动学习与弱监督的区别在于我们用来从未标 弱监督取代主动学 记的数据集中训练通用分类模型的标签的来源。
独特与灵活
在主动学习中，标签来源（在文 预言机”）通常非常独特，因此成 手机号码数据 本高昂且难以找到。这可能是一项昂贵的实验，但通常我们谈论的是主题专家 (SME)，即具有领域专业知识的人。在弱监督中，弱源可能是专业知识较少、会犯错误的人，也可能 利用这些在线营销技巧来提高您的食品销量 是其他东西，例如启发式方法，它仅适用于数据集的子集。
如果“电影预算类别”为“低”
且“演员知名度”为“无”：
电影标签 =“？”
否则：
电影标签
当然，这个规则（或启发式）根本不准确，只适用于 能的 印度手机号码 解决方案 某些电影，但这可以被认为是弱监督中的弱源，并被视为标记函数。在大多数情况下，您需要昂贵的人类专家来构建这些启发式，但这仍然比手动标记工作耗时少。一旦您拥有一组启发式，您就可以在几秒钟内将它们应用于数百万个数据点。