Polunasledni Naivni Bejz
Polunasledni Naivni Bejz proširuje klasični generativni model Naivnog Bejza kako bi iskoristio velike skupove neoznačenih podataka uz mali skup označenih podataka. Koristeći algoritam očekivanja-maksimizacije (Expectation-Maximization), iterativno izračunava meke (verovatnosne) dodeljivanja klasa za neoznačene primere i ponovo procenjuje parametre klase i osobina, dajući znatno bolje klasifikatore kada su označeni primeri retki.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Semi-supervised Naive Bayes (EM-augmented Generative Classifier). ScholarGate. https://scholargate.app/sr/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.
- Logistička regresijaIstraživačka statistika↔ compare
- Naivni BejzMašinsko učenje↔ compare
- Semi-supervised LearningMašinsko učenje↔ compare
- Polunadzirana mašina potpornih vektoraMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →