### modAL Python Active Learning Library Usage and Documentation modAL 是一个用于主动学习 (Active Learning) 的 Python 库，它建立在 scikit-learn 和 numpy 的基础上[^3]。该库提供了灵活的工具来设计自定义查询策略并实现各种主动学习场景。 #### 安装方法 可以通过 pip 来安装 modAL： ```bash pip install modAL ``` #### 基本概念 主动学习是一种半监督学习技术，在这种技术中，模型可以主动请求未标记数据中的标签以优化其性能。modAL 提供了一个框架，允许用户轻松构建和测试不同的主动学习策略[^3]。 #### 使用示例 下面是一个简单的例子，展示如何使用 modAL 进行主动学习： ```python from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.decomposition import PCA import matplotlib.pyplot as plt from modAL.models import ActiveLearner from modAL.uncertainty import uncertainty_sampling from sklearn.gaussian_process import GaussianProcessClassifier # 加载 Iris 数据集 data = load_iris() X_raw, y_raw = data.data, data.target # 划分训练集和池样本 X_train, X_pool, y_train, y_pool = train_test_split(X_raw, y_raw, test_size=0.9, random_state=42) # 初始化分类器 clf = GaussianProcessClassifier() # 创建主动学习对象 learner = ActiveLearner( estimator=clf, query_strategy=uncertainty_sampling, X_training=X_train, y_training=y_train ) # 主动学习循环 n_queries = 20 for idx in range(n_queries): query_idx, query_instance = learner.query(X_pool) learner.teach(X_pool[query_idx].reshape(1, -1), y_pool[query_idx].reshape(1, )) X_pool, y_pool = np.delete(X_pool, query_idx, axis=0), np.delete(y_pool, query_idx) ``` 上述代码展示了如何通过 `ActiveLearner` 类初始化一个主动学习过程，并利用不确定性采样作为查询策略[^3]。 #### 查询策略 modAL 支持多种内置的查询策略，例如基于不确定性的抽样 (`uncertainty_sampling`)、最大边际抽样 (`max_margin_sampling`) 等。这些策略可以帮助选择最有效的未标注实例来进行人工标注[^3]。 #### 扩展功能 除了基本的功能外，modAL 还支持多标签分类以及更复杂的组合策略。开发者还可以扩展自己的查询逻辑并通过继承类的方式集成到现有框架中[^3]。