เปรียบเทียบวิธี

	นาอีฟเบย์สแบบออนไลน์	Naive Bayes แบบกึ่งกำกับดูแล
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2000s	2000
ผู้ริเริ่ม	Adapted from traditional Naive Bayes; incremental form established by the data-stream mining community (Domingos, Hulten, and others, circa 2000)	Nigam, K.; McCallum, A. K.; Thrun, S.; Mitchell, T.
ประเภท	Probabilistic classifier (online/incremental)	Semi-supervised generative classifier
แหล่งต้นตำรับ	Domingos, P. & Hulten, G. (2000). Mining high-speed data streams. Proceedings of the 6th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 71–80. ACM.	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	Incremental Naive Bayes, Streaming Naive Bayes, Naive Bayes with partial_fit, Online NB	SSL Naive Bayes, EM-Naive Bayes, semi-supervised generative classifier, Nigam et al. text classifier
ที่เกี่ยวข้อง	6	4
สรุป	Online Naive Bayes is an incremental adaptation of the classical Naive Bayes classifier that updates its class-conditional statistics one observation (or one mini-batch) at a time, making it well suited to data streams, very large datasets that cannot be held in memory, and settings where the model must adapt continuously as new labeled examples arrive.	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.