Pusautomātiskā Naive Bayes
Pusautomātiskā Naive Bayes paplašina klasisko Naive Bayes ģeneratīvo modeli, lai izmantotu lielu daudzumu nenosauktu datu kopā ar nelielu nosauktu datu kopu. Izmantojot Expectation-Maximization (E-M) algoritmu, tā iteratīvi nosaka mīkstus klases piešķīrumus nenosauktiem piemēriem un atkārtoti novērtē klases un pazīmju parametrus, tādējādi iegūstot ievērojami labākus klasifikatorus, kad nosaukti piemēri ir reti.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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
Kā citēt šo lapu
ScholarGate. (2026, June 3). Semi-supervised Naive Bayes (EM-augmented Generative Classifier). ScholarGate. https://scholargate.app/lv/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.
- Logistiskā regresijaPētniecības statistika↔ compare
- Naive BayesMašīnmācīšanās↔ compare
- Daudzpusīgā apguveMašīnmācīšanās↔ compare
- Daļēji uzraudzīts atbalsta vektoru mašīnaMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →