Naive Bayes Semi-supervisado
Naive Bayes Semi-supervisado extiende el modelo generativo clásico de Naive Bayes para explotar grandes cantidades de datos no etiquetados junto con un pequeño conjunto etiquetado. Utilizando Expectation-Maximization (EM), infiere iterativamente asignaciones de clase suaves para ejemplos no etiquetados y reestima los parámetros de clase y características, produciendo clasificadores sustancialmente mejores cuando los ejemplos etiquetados son escasos.
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). Semi-supervised Naive Bayes (EM-augmented Generative Classifier). ScholarGate. https://scholargate.app/es/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.
- Regresión LogísticaEstadística para la investigación↔ compare
- Naive BayesAprendizaje automático↔ compare
- Aprendizaje semisupervisadoAprendizaje automático↔ compare
- Máquina de Vectores de Soporte SemisupervisadaAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →