一般来说，它取决于用于选择实例的确切方法，当然也取决于数据。假设选择仅基于单个分类器的不确定性度量，那么根据定义，该方法将优先考虑以大约 50% 的概率预测的实例，即分类器“不确定”的情况。因此，不太可能选择以高概率预测的实例进行注释。然而，迭代训练过程将使分类器重新估计所有实例的概率，因此有可能在特定迭代中以 90% 的概率错误分类的实例稍后将被分配一个较低的概率，甚至是真实的类。但总体而言，并不能保证：就像任何统计系统一样，可能存在被错误分类的实例的概率很高。

我的问题背后的基本原理是：向训练集中添加更多样本是否总能提高分类器的性能？

在主动学习中，性能更多地取决于最终手动注释的实例数量，而不是未标记样本的大小。但像往常一样，性能很大程度上取决于数据本身。