Zelf-gesuperviseerde Naive Bayes
Zelf-gesuperviseerde Naive Bayes breidt de klassieke Naive Bayes-classificeerder uit om grote hoeveelheden ongelabelde data te benutten door iteratief zachte pseudo-labels toe te kennen via een Expectation-Maximization-lus. Oorspronkelijk gedemonstreerd voor tekstclassificatie door Nigam et al. (2000), kan de benadering de nauwkeurigheid aanzienlijk verbeteren wanneer gelabelde voorbeelden schaars zijn, maar ongelabelde data overvloedig aanwezig zijn.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- 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
Deze pagina citeren
ScholarGate. (2026, June 3). Self-supervised Naive Bayes (EM-augmented Generative Classifier). ScholarGate. https://scholargate.app/nl/machine-learning/self-supervised-naive-bayes
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- Naïeve BayesMachine learning↔ vergelijken
- Zelf-gesuperviseerd LerenMachine learning↔ vergelijken
- Zelf-gesuperviseerde Logistische RegressieMachine learning↔ vergelijken
- Semi-supervised LearningMachine learning↔ vergelijken
- Semi-supervised Naive BayesMachine learning↔ vergelijken
Een fout op deze pagina gezien? Meld het of stel een correctie voor →