主动学习是一种应用于监督学习设置的技术。在监督学习范式中，您通过提供输入和预期输出（标签）来训练系统。系统学习模仿训练数据，理想情况下将其推广到看不见但可推断的情况。主动学习通常应用于获取标签成本高昂的情况，因此我们动态获取新标签，定义算法策略以最大化新数据点的有用性。

强化学习是一种不同的范式，我们没有标签，因此不能使用监督学习。我们有一个“强化信号”而不是标签，它告诉我们正在训练的系统的当前输出“有多好”。因此，在强化学习中，系统（理想情况下）会学习一种策略来获得尽可能好的奖励。

主动学习是基于这个概念，如果一个学习算法可以选择它想要学习的数据，它可以比传统方法表现得更好，而且训练的数据要少得多。所以这是一种半监督机器学习。

强化学习是一种机器学习技术，它使代理能够在交互式环境中使用来自其自身行为和经验的反馈，通过反复试验来学习。它基于可以主动和被动的奖惩机制。

在被动 RL 的情况下，代理的策略是固定的，这意味着它被告知要做什么。与此相反，在主动 RL 中，代理需要决定要做什么，因为它没有可以采取行动的固定策略。因此，被动 RL 代理的目标是执行固定策略（动作序列）并对其进行评估，而主动 RL 代理的目标是采取行动并学习最佳策略。

因此，主动学习更像是一个概念，而强化学习是一种解决问题的方法，如本文所示

参考：

• 主动学习
• 强化学习