前几天对行人重试别进行了分类，从数据、特征、目标函数角度作为研究的重点。
这篇文章给涉及到训练数据的选择，可不可以在target中寻找少数量的样本进行标记，但是却能达到很好的效果呢？
在读这篇论文的时候，遇到了一些新的内容，包括如下：
active learning
core-set selection
least confidence uncertaintly sampling
greedy k-centers
这里的active learning 主动学习，是指在训练模型的过程中，一边训练，一边寻找unlabel 数据中的一个或者一批，然后对这些数据进行标记，然后将这些数据再放到训练集中，进行训练。active learning 在训练的过程中，包括五个部分，分别是要训练的模型、未标记的数据集、已经标记的数据集、判定数据对目标模型的作用效果大小的模型、对无标记数据打标签的指导者。核心就是选择数据中的一部分最有价值的数据送入模型进行训练。下面这个图很好的描述了这个过程：
这里的oracle，代表着给数据打标签的部分。
在了解least confidence uncertainly sampel 的时候，需要先了解置信度和置信区间的内容。就看了看置信度和置信区间的内容，到知乎上搜索就有不错的回答。
这里又涉及了贪心算法的内容，greedy algorithm ，贪心算法就是在求解最优解的时候，是从局部看问题的的，每一步只选择当前情况下的最优解，是局部的最优解，贪心法的求解过程大概可以表述为：
Greedy(C) //C是问题的输入集合即候选解集合
{
S={ }; //初始解集合为空集
while (not solution(S)) //集合S没有构成问题的一个解
{
x=select(C); //在候选集合C中做贪心选择
if feasible(S, x) //判断集合S中加入x后的解是否可行
S=S+{x};
C=C-{x};
}
return S;
}