modal主动学习核心是让人工标注聚焦于模型最不确定、最有提升潜力的样本，以20%标注量达90%全量效果；初始化activelearner必须提供初始训练数据x_training/y_training（至少3–5个/类），否则estimator_未创建将报错。
用 modAL 做主动学习，核心不是“代替人工标注”，而是让每次人工标注都落在刀刃上——模型最不确定、最有提升潜力的那几个样本。它不降低单条标注难度，但能让你用 20% 的标注量达到 90% 的全量训练效果。
初始化 ActiveLearner 时必须传入初始训练数据
很多人卡在第一步：调用 ActiveLearner 后直接 query() 报错 AttributeError: 'ActiveLearner' object has no attribute 'estimator_' 。这是因为 estimator 模型尚未拟合——modAL 要求你显式提供 X_training 和 y_training（哪怕只有 5–10 条），它才会内部调用 fit() 初始化模型。
- 不能只传
estimator就调用query()；必须带X_training/y_training或后续手动调用fit() - 初始数据太少（如仅 1 个样本）会导致预测概率不稳定，建议至少 3–5 个/类
- 若用 Keras 模型，需确保
estimator已编译（model.compile()），且teach()传入的标签格式匹配（如 one-hot）
uncertainty_sampling 和 entropy_sampling 的区别不只是公式
两者都属于不确定性采样，但对模型输出的利用方式不同，直接影响选样倾向：
-
uncertainty_sampling只看最大预测概率：1 - max(proba)，适合二分类或类别置信度差异明显的场景 -
entropy_sampling计算完整概率分布的香农熵：-sum(p * log(p))，对多分类更鲁棒，尤其当模型在多个类别间“犹豫不决”时（如 [0.4, 0.4, 0.2]）会比uncertainty_sampling更敏感 - 如果你用的是
RandomForestClassifier且predict_proba返回校准不足的概率，entropy_sampling可能过早放大噪声；此时先用CalibratedClassifierCV包一层更稳妥
批量采样必须用 uncertainty_batch_sampling，不能循环调用 query()
想一次标 10 个样本？别写 10 次 learner.query()。那样选出来的极可能是高度相似的“邻近困惑点”，缺乏多样性，等效于重复标注同一类难例。
-
uncertainty_batch_sampling在modAL.batch模块中，它内部做了两件事：先按不确定性排序，再用贪心策略剔除相似样本（基于特征空间距离或嵌入相似度） - 必须传入未标注池
X_pool和当前模型learner.estimator，不能只传learner - 默认 batch size 是 1；要批量选，得显式指定
n_instances=10参数 - 如果
X_pool是高维（如图像 embedding），记得提前降维或用余弦相似度替代欧氏距离，否则性能骤降
委员会查询（Committee）容易因模型同质化失效
当你用 Committee 构建多个模型投票选样本时，如果所有基模型都是 RandomForestClassifier 且参数相同，它们的预测会高度一致——结果是“委员会”形同虚设，选出的样本和单模型没区别。
- 务必让委员模型有差异：比如一个用
RandomForest，一个用SVC(probability=True)，一个用LogisticRegression - 避免全部使用同种树模型+相同
random_state；至少打乱一个的max_features或max_depth -
Committee内存开销大，每轮 query 都要跑 N 个模型的predict_proba；小数据集上不如不确定性采样轻量
真正决定效果的往往不是策略本身，而是你如何定义“未标注池”——它不能是随机切分的测试集，而应尽可能覆盖真实线上数据的分布偏移。一旦池子失真，再聪明的查询也会指向错误方向。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
