Η παρούσα διπλωματική εργασία εξετάζει την αξιολόγηση αλγορίθμων ενεργητικής μηχανικής μάθησης ( Active Machine Learning ), με στόχο τη μείωση του κόστους επισήμανσης δεδομένων και τη βελτίωση της απόδοσης των μοντέλων. Αρχικά, παρουσιάζονται οι βασικές έννοιες και οι στρατηγικές επιλογής δειγμάτων, ενώ στη συνέχεια γίνεται σύγκριση παραδοσιακών και σύγχρονων αλγορίθμων με τη χρήση διαφορετικών μετρικών απόδοσης. Η μεθδολογία περιλαμβάνει πειραματικό σχεδιασμό σε δημοφιλη σύνολα δεδομένων (MNIST, UCI Adult, 20Newsgroups) και αξιολόγηση μετρικών όπως ακρίβεια, F1-score και AUC. Τα αποτελέσματα δείχνουν τα πλεονεκτήματα και τα μειονεκτήματα κάθε προσέγγισης, προσφέροντας χρήσιμες κατευθύνσεις για μελλοντική έρευνα και πρακτικές εφαρμογές.