前幾天對行人重試別進行了分類，從數據、特徵、目標函數角度作爲研究的重點。
這篇文章給涉及到訓練數據的選擇，可不可以在target中尋找少數量的樣本進行標記，但是卻能達到很好的效果呢？
在讀這篇論文的時候，遇到了一些新的內容，包括如下：
active learning
core-set selection
least confidence uncertaintly sampling
greedy k-centers
這裏的active learning 主動學習，是指在訓練模型的過程中，一邊訓練，一邊尋找unlabel 數據中的一個或者一批，然後對這些數據進行標記，然後將這些數據再放到訓練集中，進行訓練。active learning 在訓練的過程中，包括五個部分，分別是要訓練的模型、未標記的數據集、已經標記的數據集、判定數據對目標模型的作用效果大小的模型、對無標記數據打標籤的指導者。核心就是選擇數據中的一部分最有價值的數據送入模型進行訓練。下面這個圖很好的描述了這個過程：
這裏的oracle，代表着給數據打標籤的部分。
在瞭解least confidence uncertainly sampel 的時候，需要先了解置信度和置信區間的內容。就看了看置信度和置信區間的內容，到知乎上搜索就有不錯的回答。
這裏又涉及了貪心算法的內容，greedy algorithm ，貪心算法就是在求解最優解的時候，是從局部看問題的的，每一步只選擇當前情況下的最優解，是局部的最優解，貪心法的求解過程大概可以表述爲：
Greedy(C) //C是問題的輸入集合即候選解集合
{
S={ }; //初始解集合爲空集
while (not solution(S)) //集合S沒有構成問題的一個解
{
x=select(C); //在候選集合C中做貪心選擇
if feasible(S, x) //判斷集合S中加入x後的解是否可行
S=S+{x};
C=C-{x};
}
return S;
}