什么是主动学习？让模型优先学习最值得标注的数据

训练数据不是越多越好。若有一百万条几乎相同、容易判断的样本，让人全部标注既贵又浪费。**主动学习（Active Learning）**让模型先从未标注数据中挑出“最不确定、最有信息量”的例子，再交给人标注。

一句话理解：把老师时间花在难题上

模型对“这是普通咨询”很有把握，就不必优先标；它对“这是投诉还是退款请求”摇摆不定，或两个类别边界很近，这样本更值得人工判断。标完后模型更新，再挑下一批难题。

常见选样策略

• 不确定性采样：挑模型置信度最低的样本
• 分歧采样：多个模型或多个预测方式意见不一致
• 多样性采样：避免只挑同一类难题，覆盖不同数据区域
• 错误驱动采样：优先处理线上被用户纠正或失败的案例

它的限制

模型不确定的样本不一定最重要：可能只是噪声、数据错误或超出业务范围。主动学习还可能忽略模型“自信但错误”的盲区，所以仍需要随机抽样和覆盖性测试。

总结

主动学习把数据标注从“随机堆数量”变为“优先解决模型不会的题”。它适合标注昂贵、数据量大、任务边界会逐渐清楚的场景；与对比学习等训练方法结合时，能更高效地建立高价值数据集。