Selbst-überwachtes Naive Bayes
Selbst-überwachtes Naive Bayes erweitert den klassischen Naive Bayes-Klassifikator, um große Mengen unbeschrifteter Daten durch iterative Zuweisung von weichen Pseudo-Labels mittels einer Erwartungs-Maximierungs-Schleife zu nutzen. Ursprünglich für die Textklassifikation von Nigam et al. (2000) demonstriert, kann der Ansatz die Genauigkeit erheblich verbessern, wenn beschriftete Beispiele knapp, aber unbeschriftete Daten reichlich vorhanden sind.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Self-supervised Naive Bayes (EM-augmented Generative Classifier). ScholarGate. https://scholargate.app/de/machine-learning/self-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.
- Naive BayesMaschinelles Lernen↔ compare
- Selbstüberwachtes LernenMaschinelles Lernen↔ compare
- Logistische Regression mit SelbstüberwachungMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
- Semi-supervised Naive BayesMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →