Наивный Байес с самообучением
Наивный Байес с самообучением расширяет классический классификатор Наивного Байеса для использования больших объемов неразмеченных данных путем итеративного присвоения мягких псевдо-меток через цикл Ожидание-Максимизация. Изначально продемонстрированный для классификации текстов Нигамом и др. (2000), этот подход может существенно повысить точность, когда размеченных примеров мало, но неразмеченных данных много.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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
Как цитировать эту страницу
ScholarGate. (2026, June 3). Self-supervised Naive Bayes (EM-augmented Generative Classifier). ScholarGate. https://scholargate.app/ru/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.
- Наивный БайесМашинное обучение↔ compare
- Самообучение с учителемМашинное обучение↔ compare
- Логистическая регрессия при самообученииМашинное обучение↔ compare
- Обучение с частичной разметкойМашинное обучение↔ compare
- Полусупервизорный наивный байесовский классификаторМашинное обучение↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →