Semi-supervised Naive Bayes
Semi-supervised Naive Bayes erweitert das klassische generative Naive Bayes-Modell, um große Mengen unbeschrifteter Daten neben einem kleinen Satz beschrifteter Daten zu nutzen. Mittels Erwartungsmaximierung (Expectation-Maximization, EM) werden iterativ weiche Klassen-Zuweisungen für unbeschriftete Beispiele abgeleitet und Klassen- sowie Merkmals-Parameter neu geschätzt, was zu erheblich besseren Klassifikatoren führt, wenn beschriftete Beispiele spärlich 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). Semi-supervised Naive Bayes (EM-augmented Generative Classifier). ScholarGate. https://scholargate.app/de/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.
- Logistische RegressionForschungsstatistik↔ compare
- Naive BayesMaschinelles Lernen↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
- Halb-überwachte Support Vector MachineMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →