Bayes naïf semi-supervisé
Le Bayes naïf semi-supervisé étend le modèle génératif classique du Bayes naïf pour exploiter de grands ensembles de données non étiquetées en complément d'un petit ensemble étiqueté. En utilisant l'algorithme Espérance-Maximisation (EM), il infère itérativement des assignations de classe "douces" (probabilistes) pour les exemples non étiquetés et réestime les paramètres de classe et de caractéristiques, produisant des classifieurs substantiellement meilleurs lorsque les exemples étiquetés sont rares.
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). Semi-supervised Naive Bayes (EM-augmented Generative Classifier). ScholarGate. https://scholargate.app/fr/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.
- Régression logistiqueStatistiques de recherche↔ compare
- Naive BayesApprentissage automatique↔ compare
- Apprentissage semi-superviséApprentissage automatique↔ compare
- Machine à vecteurs de support semi-superviséeApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →