Semisupervizovaný Naive Bayes
Semisupervizovaný Naive Bayes rozšiřuje klasický generativní model Naive Bayes tak, aby využíval velké množství neoznačených dat spolu s malou označenou množinou. Pomocí metody Expectation-Maximization iterativně odvozuje měkká přiřazení tříd pro neoznačené příklady a znovu odhaduje parametry tříd a příznaků, což vede k podstatně lepším klasifikátorům, když jsou označené příklady vzácné.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Nigam, K., McCallum, A. K., Thrun, S., & Mitchell, T. (2000). Text Classification from Labeled and Unlabeled Documents using EM. Machine Learning, 39(2–3), 103–134. DOI: 10.1023/A:1007692713085 ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Semi-supervised Naive Bayes (EM-augmented Generative Classifier). ScholarGate. https://scholargate.app/cs/machine-learning/semi-supervised-naive-bayes
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Logistická regreseStatistika ve výzkumu↔ compare
- Naive BayesStrojové učení↔ compare
- Semisupervisední učeníStrojové učení↔ compare
- Polopřeváděné podpůrné vektory (Semi-supervised Support Vector Machine)Strojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →