Półnadzorowany naiwny klasyfikator Bayesa
Półnadzorowany naiwny klasyfikator Bayesa rozszerza klasyczny generatywny model naiwnego klasyfikatora Bayesa, aby wykorzystać duże zbiory danych nieoznakowanych wraz z małym zbiorem danych oznakowanych. Wykorzystując algorytm Expectation-Maximization, iteracyjnie wnioskuje miękkie przypisania klas dla przykładów nieoznakowanych i ponownie szacuje parametry klas oraz cech, co prowadzi do znacznie lepszych klasyfikatorów, gdy przykłady oznakowane są nieliczne.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Semi-supervised Naive Bayes (EM-augmented Generative Classifier). ScholarGate. https://scholargate.app/pl/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.
- Regresja logistycznaStatystyka w badaniach↔ compare
- Naiwny Klasyfikator BayesowskiUczenie maszynowe↔ compare
- Uczenie ze wsparciem częściowymUczenie maszynowe↔ compare
- Półnadzorowana maszyna wektorów nośnychUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →