เปรียบเทียบวิธี

	Ensemble Naive Bayes	Naive Bayes แบบกึ่งกำกับดูแล
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2000s	2000
ผู้ริเริ่ม	Various (Dietterich, T.G.; Webb, G.I.; others)	Nigam, K.; McCallum, A. K.; Thrun, S.; Mitchell, T.
ประเภท	Ensemble of probabilistic classifiers	Semi-supervised generative classifier
แหล่งต้นตำรับ	Dietterich, T. G. (2000). Ensemble Methods in Machine Learning. In J. Kittler & F. Roli (Eds.), Multiple Classifier Systems (MCS 2000), Lecture Notes in Computer Science, vol. 1857, pp. 1–15. Springer.	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.
ชื่อเรียกอื่น	Bagged Naive Bayes, Boosted Naive Bayes, Naive Bayes ensemble, NB ensemble	SSL Naive Bayes, EM-Naive Bayes, semi-supervised generative classifier, Nigam et al. text classifier
ที่เกี่ยวข้อง	6	4
สรุป	Ensemble Naive Bayes trains multiple Naive Bayes classifiers — each exposed to a different view of the data through bagging, feature subsets, or boosting — and combines their probabilistic predictions by voting or probability averaging. The approach retains the speed and interpretability of individual Naive Bayes models while reducing variance and improving accuracy through ensemble aggregation.	Semi-supervised Naive Bayes extends the classic Naive Bayes generative model to exploit large pools of unlabeled data alongside a small labeled set. Using Expectation-Maximization, it iteratively infers soft class assignments for unlabeled examples and re-estimates class and feature parameters, yielding substantially better classifiers when labeled examples are scarce.