نِیو بِیز نیمهنظارتشده
نِیو بِیز نیمهنظارتشده مدل مولد کلاسیک نِیو بِیز را گسترش میدهد تا از مجموعههای بزرگی از دادههای بدون برچسب در کنار مجموعهای کوچک از دادههای برچسبدار بهرهبرداری کند. این روش با استفاده از الگوریتم امید ریاضی-حداکثرسازی (Expectation-Maximization)، به صورت تکراری تخصیصهای نرم کلاس را برای نمونههای بدون برچسب استنتاج میکند و پارامترهای کلاس و ویژگی را مجدداً تخمین میزند که منجر به طبقهبندیکنندههای به مراتب بهتری میشود، به ویژه زمانی که نمونههای برچسبدار کمیاب هستند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Semi-supervised Naive Bayes (EM-augmented Generative Classifier). ScholarGate. https://scholargate.app/fa/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.
- رگرسیون لجستیکآمار پژوهش↔ compare
- بییز ساده (Naive Bayes)یادگیری ماشین↔ compare
- یادگیری نیمهنظارتشدهیادگیری ماشین↔ compare
- ماشین بردار پشتیبان نیمهنظارتشدهیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →