Σε περιπτώσεις όπου απαιτείται μάθηση με επίβλεψη αλλά υπάρχει έλλειψη ποιοτικών δεδομένων, η μάθηση με ημιεπίβλεψη μπορεί να είναι η κατάλληλη μέθοδος μάθησης. Αυτό το μοντέλο μάθησης βρίσκεται μεταξύ της μάθησης με επίβλεψη και της μάθησης χωρίς επίβλεψη.Δέχεται δεδομένα που είναι μερικώς επισημασμένα – δηλαδή, η πλειοψηφία των δεδομένων δεν έχει ετικέτες.
Η μάθηση με ημι-επίβλεψη καθορίζει τις συσχετίσεις μεταξύ των σημείων δεδομένων – όπως ακριβώς και η μάθηση χωρίς επίβλεψη – και στη συνέχεια χρησιμοποιεί τα επισημασμένα δεδομένα για να επισημάνει αυτά τα σημεία δεδομένων. Τέλος, ολόκληρο το μοντέλο εκπαιδεύεται με βάση τις νέες ετικέτες που εφαρμόστηκαν.
Οι αλγόριθμοι αυτοεκπαίδευσης είναι όλα παραδείγματα μάθησης με ημιεπίβλεψη. Οι προγραμματιστές μπορούν να προσθέσουν σε αυτά τα μοντέλα έναν ταξινομητή Naive Bayes , ο οποίος επιτρέπει σε αλγορίθμους που εκπαιδεύονται μόνοι τους να εκτελούν εργασίες ταξινόμησης απλά και εύκολα.
Οι ταξινομητές Naive Bayes είναι μια συλλογή αλγορίθμων ταξινόμησης που βασίζονται στο θεώρημα του Bayes. Δεν πρόκειται για έναν ενιαίο αλγόριθμο αλλά για μια οικογένεια αλγορίθμων όπου όλοι τους μοιράζονται μια κοινή αρχή, δηλαδή κάθε ζεύγος χαρακτηριστικών που ταξινομούνται είναι ανεξάρτητο μεταξύ τους.
Το θεώρημα του Bayes βρίσκει την πιθανότητα να συμβεί ένα γεγονός, δεδομένης της πιθανότητας ενός άλλου γεγονότος που έχει ήδη συμβεί.
Περισσότερες πληροφορίες για τους ταξινομητές Naive Bayes και παραδείγματα εδώ:
