Bayésien Naïf auto-supervisé
Le Bayésien Naïf auto-supervisé étend le classifieur Bayésien Naïf classique pour exploiter de grands ensembles de données non étiquetées en attribuant itérativement des pseudo-étiquettes douces par une boucle Espérance-Maximisation. Initialement démontré pour la classification de textes par Nigam et al. (2000), cette approche peut améliorer substantiellement la précision lorsque les exemples étiquetés sont rares mais les données non étiquetées sont abondantes.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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
Comment citer cette page
ScholarGate. (2026, June 3). Self-supervised Naive Bayes (EM-augmented Generative Classifier). ScholarGate. https://scholargate.app/fr/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 BayesApprentissage automatique↔ compare
- Apprentissage auto-superviséApprentissage automatique↔ compare
- Régression logistique auto-superviséeApprentissage automatique↔ compare
- Apprentissage semi-superviséApprentissage automatique↔ compare
- Bayes naïf semi-superviséApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →