Itseohjautuva Naive Bayes
Itseohjautuva Naive Bayes laajentaa klassista Naive Bayes -luokittelijaa hyödyntämään suuria määriä merkitsemätöntä dataa allokoimalla iteratiivisesti pehmeitä pseudotunnisteita Odotus-maksimointi (Expectation-Maximization, EM) -silmukan kautta. Alun perin tekstinluokitteluun Nigam et al. (2000) demonstroimalla lähestymistapa voi parantaa tarkkuutta merkittävästi, kun merkittyjä esimerkkejä on vähän, mutta merkitsemätöntä dataa on runsaasti.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Self-supervised Naive Bayes (EM-augmented Generative Classifier). ScholarGate. https://scholargate.app/fi/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 BayesKoneoppiminen↔ compare
- Itseohjautuva oppiminenKoneoppiminen↔ compare
- Itseohjautuva logistinen regressioKoneoppiminen↔ compare
- Puoliohjattu oppiminenKoneoppiminen↔ compare
- Puolivalvottu Naive BayesKoneoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →