เปรียบเทียบวิธี

	Naive Bayes แบบเรียนรู้ตนเอง	Naive Bayes แบบกึ่งกำกับดูแล
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2000	2000
ผู้ริเริ่ม	Nigam, K.; McCallum, A. K.; Thrun, S.; Mitchell, T.	Nigam, K.; McCallum, A. K.; Thrun, S.; Mitchell, T.
ประเภท	Self-supervised generative classifier	Semi-supervised generative classifier
แหล่งต้นตำรับ	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.	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	Self-training Naive Bayes, EM Naive Bayes, Expectation-Maximization Naive Bayes, Pseudo-label Naive Bayes	SSL Naive Bayes, EM-Naive Bayes, semi-supervised generative classifier, Nigam et al. text classifier
ที่เกี่ยวข้อง	5	4
สรุป	Self-supervised Naive Bayes extends the classic Naive Bayes classifier to exploit large pools of unlabeled data by iteratively assigning soft pseudo-labels through an Expectation-Maximization loop. Originally demonstrated for text classification by Nigam et al. (2000), the approach can substantially improve accuracy when labeled examples are scarce but unlabeled data are plentiful.	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.