Selv-superviseret Naive Bayes
Selv-superviseret Naive Bayes udvider den klassiske Naive Bayes-klassifikator til at udnytte store mængder umærkede data ved iterativt at tildele bløde pseudo-etiketter gennem en Expectation-Maximization (EM) løkke. Oprindeligt demonstreret for tekstklassifikation af Nigam et al. (2000), kan tilgangen forbedre nøjagtigheden markant, når mærkede eksempler er knappe, men umærkede data er rigelige.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Metodekort
Nabolaget af beslægtede metoder — vælg en knude for at udforske.
Kilder
- 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
Sådan citerer du denne side
ScholarGate. (2026, June 3). Self-supervised Naive Bayes (EM-augmented Generative Classifier). ScholarGate. https://scholargate.app/da/machine-learning/self-supervised-naive-bayes
Hvilken metode?
Stil denne metode ved siden af dens nærmeste slægtninge, og læs dem side om side — biblioteket lægger bøgerne på bordet; valget er dit.
- Naive BayesMaskinlæring↔ sammenlign
- Selvovervåget læringMaskinlæring↔ sammenlign
- Selv-superviseret logistisk regressionMaskinlæring↔ sammenlign
- Semi-supervised LearningMaskinlæring↔ sammenlign
- Semi-superviseret Naive BayesMaskinlæring↔ sammenlign
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →