เปรียบเทียบวิธี

	Naive Bayes แบบกึ่งกำกับดูแล	การถดถอยโลจิสติก
สาขาวิชา	การเรียนรู้ของเครื่อง	สถิติการวิจัย
ตระกูล	Machine learning	Process / pipeline
ปีกำเนิด	2000	1958
ผู้ริเริ่ม	Nigam, K.; McCallum, A. K.; Thrun, S.; Mitchell, T.	David Roxbee Cox
ประเภท	Semi-supervised generative classifier	Method
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.	Cox, D. R. (1958). The regression analysis of binary sequences. Journal of the Royal Statistical Society, Series B, 20(2), 215–242.
ชื่อเรียกอื่น	SSL Naive Bayes, EM-Naive Bayes, semi-supervised generative classifier, Nigam et al. text classifier	logit model, binomial logistic regression, LR
ที่เกี่ยวข้อง	4	3
สรุป	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.	Logistic regression is a statistical method for modeling the probability of a binary outcome (disease present/absent, success/failure) as a function of continuous and categorical predictors. Developed by David Roxbee Cox (1958), it solves the problem of predicting categorical outcomes by applying a logistic transformation to constrain predictions to the [0,1] probability interval, enabling accurate risk stratification, diagnostic prediction, and causal inference in epidemiology, medicine, and social science.