Ensemble Naive Bayes
Ensemble Naive Bayes เป็นการฝึกโมเดล Naive Bayes หลายตัว — โดยแต่ละตัวจะได้รับข้อมูลที่แตกต่างกันผ่านเทคนิค bagging, การแบ่งชุดคุณลักษณะ (feature subsets), หรือ boosting — และรวมการทำนายความน่าจะเป็นของโมเดลเหล่านั้นด้วยการลงคะแนน (voting) หรือการหาค่าเฉลี่ยความน่าจะเป็น (probability averaging) วิธีการนี้ยังคงรักษาความเร็วและความสามารถในการตีความของโมเดล Naive Bayes แต่ละตัว ในขณะที่ลดความแปรปรวน (variance) และปรับปรุงความแม่นยำผ่านการรวมกลุ่มโมเดล (ensemble aggregation).
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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. DOI: 10.1007/3-540-45014-9_1 ↗
- Lowd, D. & Domingos, P. (2005). Naive Bayes Models for Probability Estimation. In Proceedings of the 22nd International Conference on Machine Learning (ICML 2005), pp. 529–536. ACM. DOI: 10.1145/1102351.1102418 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Ensemble of Naive Bayes Classifiers. ScholarGate. https://scholargate.app/th/machine-learning/ensemble-naive-bayes
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Bagging (Bootstrap Aggregating)การเรียนรู้ของเครื่อง↔ compare
- Boostingการเรียนรู้ของเครื่อง↔ compare
- Naive Bayesการเรียนรู้ของเครื่อง↔ compare
- Random Forestการเรียนรู้ของเครื่อง↔ compare
- Naive Bayes แบบกึ่งกำกับดูแลการเรียนรู้ของเครื่อง↔ compare
- การรวมแบบลงคะแนนการเรียนรู้ของเครื่อง↔ compare