Naive Bayes Auto-supervisado
Naive Bayes Auto-supervisado extiende el clasificador clásico Naive Bayes para explotar grandes conjuntos de datos no etiquetados asignando iterativamente pseudo-etiquetas suaves a través de un bucle de Expectation-Maximization. Originalmente demostrado para la clasificación de texto por Nigam et al. (2000), el enfoque puede mejorar sustancialmente la precisión cuando los ejemplos etiquetados son escasos pero los datos no etiquetados son abundantes.
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
- 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
Cómo citar esta página
ScholarGate. (2026, June 3). Self-supervised Naive Bayes (EM-augmented Generative Classifier). ScholarGate. https://scholargate.app/es/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 BayesAprendizaje automático↔ compare
- Aprendizaje autosupervisadoAprendizaje automático↔ compare
- Regresión Logística AutosupervisadaAprendizaje automático↔ compare
- Aprendizaje semisupervisadoAprendizaje automático↔ compare
- Naive Bayes Semi-supervisadoAprendizaje automático↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →