เปรียบเทียบวิธี

	โลจิสติกส์ถดถอยแบบกึ่งกำกับดูแล	Naive Bayes แบบกึ่งกำกับดูแล
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1995–2000	2000
ผู้ริเริ่ม	Nigam, K.; McCallum, A. et al. (EM variant); Yarowsky, D. (self-training)	Nigam, K.; McCallum, A. K.; Thrun, S.; Mitchell, T.
ประเภท	Semi-supervised classifier	Semi-supervised generative classifier
แหล่งต้นตำรับ	Nigam, K., McCallum, A., Thrun, S., & Mitchell, T. (2000). Text classification from labeled and unlabeled documents using EM. Machine Learning, 39, 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	SSL logistic regression, semi-supervised LR, EM logistic regression, self-training logistic classifier	SSL Naive Bayes, EM-Naive Bayes, semi-supervised generative classifier, Nigam et al. text classifier
ที่เกี่ยวข้อง	5	4
สรุป	Semi-supervised logistic regression extends the standard logistic classifier by incorporating unlabeled data during training. Using self-training, expectation-maximization, or label-propagation wrappers, it iteratively assigns soft labels to unlabeled examples and refines model parameters, improving generalization when labeled data are scarce relative to the full dataset.	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.