---
title: "主動學習（Active Learning）"
slug: active-learning
language: zh-TW
source: https://aiterms.tw/terms/active-learning
updated_at: 2026-06-22
tags: [機器學習, 資料處理, 最佳化, AI基礎]
ipas_term: false
---

# 主動學習（Active Learning）

一種機器學習策略，由演算法主動選擇最具訊息價值的未標籤樣本進行標籤，以最小化標籤成本並最大化模型性能

## 完整說明

主動學習是一種半監督學習策略，透過選擇最具訊息價值或不確定性最高的樣本進行人工標籤，以減少標籤工作量。與被動學習不同，主動學習由演算法決定應該標籤哪些樣本，而不是隨機選擇。常見應用包括醫療影像診斷、自然語言處理標籤、品質控制檢測等領域，能顯著降低資料標籤成本。

## 常見問題

### 主動學習需要多少初始標籤資料才能開始？

通常需要 50-200 個初始標籤樣本，取決於問題複雜度和類別數量。對於簡單的二分類問題，50 個樣本可能足夠；對於複雜的多類分類（如 50 類），需要數百個樣本。初始資料應包含各類別的代表樣本，避免初始模型過於偏斜。實務中，初始資料常通過隨機抽樣或分層抽樣獲得。初始模型的好壞直接影響後續查詢策略的效果，因此初始資料的質量很重要。

### 主動學習與聚群演算法有什麼聯繫？

聚群演算法（如 K-means、DBSCAN）常被用於主動學習的多樣性策略。例如，可以先用聚群演算法將未標籤樣本分組，然後從每個聚群中選擇不確定性最高的樣本進行標籤。這樣既保證了訊息價值（高不確定性），又保證了多樣性覆蓋（來自不同聚群）。此外，聚群中心或邊界樣本的不確定性往往較高，也可作為查詢候選。兩者結合能顯著提升主動學習效率。

### 主動學習適用於深度學習模型嗎？

是的，主動學習完全適用於深度學習。對於深度學習模型，可以用模型最後一層的置信度作為不確定性度量，或用 Dropout 技巧（多次推斷，計算輸出方差）估計不確定性。對於圖像分類，可以用深度網絡的中間層特徵計算樣本多樣性。深度學習版本的主動學習在醫療影像診斷、自然語言處理等領域已有成功應用。唯一的挑戰是深度學習的訓練成本較高，每次更新需要重新訓練，可能影響實時性。

---

來源：https://aiterms.tw/terms/active-learning
快查頁：https://aiterms.tw/terms/active-learning
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-active-learning