Naive Bayes auto-supervisionato
Il Naive Bayes auto-supervisionato estende il classico classificatore Naive Bayes per sfruttare ampi set di dati non etichettati assegnando iterativamente pseudo-etichette morbide attraverso un ciclo di Expectation-Maximization. Dimostrato originariamente per la classificazione del testo da Nigam et al. (2000), l'approccio può migliorare sostanzialmente l'accuratezza quando gli esempi etichettati sono scarsi ma i dati non etichettati sono abbondanti.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Mappa dei metodi
Il vicinato dei metodi correlati — seleziona un nodo per esplorare.
Fonti
- 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
Come citare questa pagina
ScholarGate. (2026, June 3). Self-supervised Naive Bayes (EM-augmented Generative Classifier). ScholarGate. https://scholargate.app/it/machine-learning/self-supervised-naive-bayes
Quale metodo?
Affianca questo metodo ai suoi parenti più prossimi e leggili fianco a fianco — la biblioteca dispone i libri sul tavolo; la scelta è tua.
- Naive BayesApprendimento automatico↔ confronta
- Apprendimento AutocontrollatoApprendimento automatico↔ confronta
- Regressione logistica auto-supervisionataApprendimento automatico↔ confronta
- Apprendimento semi-supervisionatoApprendimento automatico↔ confronta
- Naive Bayes Semi-SupervisionatoApprendimento automatico↔ confronta
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →