Naive Bayes de Conjunto
Naive Bayes de Conjunto entrena múltiples clasificadores Naive Bayes — cada uno expuesto a una vista diferente de los datos a través de bagging, subconjuntos de características o boosting — y combina sus predicciones probabilísticas mediante votación o promediado de probabilidades. El enfoque conserva la velocidad y la interpretabilidad de los modelos Naive Bayes individuales, al tiempo que reduce la varianza y mejora la precisión a través de la agregación del conjunto.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- Dietterich, T. G. (2000). Ensemble Methods in Machine Learning. In J. Kittler & F. Roli (Eds.), Multiple Classifier Systems (MCS 2000), Lecture Notes in Computer Science, vol. 1857, pp. 1–15. Springer. DOI: 10.1007/3-540-45014-9_1 ↗
- Lowd, D. & Domingos, P. (2005). Naive Bayes Models for Probability Estimation. In Proceedings of the 22nd International Conference on Machine Learning (ICML 2005), pp. 529–536. ACM. DOI: 10.1145/1102351.1102418 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Ensemble of Naive Bayes Classifiers. ScholarGate. https://scholargate.app/es/machine-learning/ensemble-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.
- Agregación por Bootstrap (Bagging)Aprendizaje automático↔ compare
- PotenciaciónAprendizaje automático↔ compare
- Naive BayesAprendizaje automático↔ compare
- Random ForestAprendizaje automático↔ compare
- Naive Bayes Semi-supervisadoAprendizaje automático↔ compare
- Ensamble de votaciónAprendizaje automático↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →