Semihandled Naive Bayes
Semihandled Naive Bayes utökar den klassiska generativa Naive Bayes-modellen för att utnyttja stora mängder oetiketterad data tillsammans med en liten etiketterad uppsättning. Med hjälp av Expectation-Maximization (EM) infererar den iterativt mjuka klasstilldelningar för oetiketterade exempel och omvärderar klass- och featureparametrar, vilket ger betydligt bättre klassificerare när etiketterade exempel är knappa.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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
Så citerar du den här sidan
ScholarGate. (2026, June 3). Semi-supervised Naive Bayes (EM-augmented Generative Classifier). ScholarGate. https://scholargate.app/sv/machine-learning/semi-supervised-naive-bayes
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Logistisk regressionForskningsstatistik↔ jämför
- Naiv BayesMaskininlärning↔ jämför
- Semi-övervakad inlärningMaskininlärning↔ jämför
- Semi-supervised Support Vector MachineMaskininlärning↔ jämför
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →