Naive Bayes Autossupervisionado
O Naive Bayes Autossupervisionado estende o classificador clássico Naive Bayes para explorar grandes conjuntos de dados não rotulados, atribuindo iterativamente pseudo-rótulos suaves através de um loop de Expectation-Maximization. Originalmente demonstrada para classificação de texto por Nigam et al. (2000), a abordagem pode melhorar substancialmente a precisão quando exemplos rotulados são escassos, mas dados não rotulados são abundantes.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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
Como citar esta página
ScholarGate. (2026, June 3). Self-supervised Naive Bayes (EM-augmented Generative Classifier). ScholarGate. https://scholargate.app/pt/machine-learning/self-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.
- Naive BayesAprendizado de máquina↔ compare
- Aprendizado AutossupervisionadoAprendizado de máquina↔ compare
- Regressão Logística AutossupervisionadaAprendizado de máquina↔ compare
- Aprendizado Semi-supervisionadoAprendizado de máquina↔ compare
- Naive Bayes Semi-supervisionadoAprendizado de máquina↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →