ty -jour a2 -huang，samuel au -karlos，stamatis au -fazakis，nikos au -kotsiantis，kotsiantis，sotiris au -sgarbas，sgarbas，kyriakos py -2016 da -2016/02/22 ti -amisuperverved cascade cascade Cascade Cascadificed AlgorithM Spsification AlgorithM Spspification Algorithm Spspsificati2016 AB-分类是数据挖掘技术的最重要任务之一，这是几种现代应用程序采用的。大多数这些应用程序中足够标记的数据的短缺已将利益转移到使用半监管方法的情况下。在此类方案下，使用收集的未标记数据与明显较小的标记示例相结合，可以针对有监督的算法具有相似甚至更好的分类精度，这些算法在训练阶段专门使用标记的示例。本文提出了一种使用级联分类器技术增加半度性分类分类的新方法。级联分类器策略的主要特征是使用基本分类器通过添加预测类或初始数据的概率类分布来增加特征空间。第二级的分类器与新数据集一起提供，并提取每个实例的决定。在这项工作中，自我训练的NB ∇ 提出了C4.5分类器算法，该算法结合了幼稚贝叶斯作为基本分类器的特征和最终分类的C4.5的速度。我们与标准基准数据集上的其他众所周知的半监视分类方法进行了深入的比较，并最终达到了在大多数情况下提出的技术具有更好准确性的地步。SN -1687-9724 UR -https：//doi.org/10.1155/2016/5919717 do -10.1155/2016/2016/5919717 JF-应用计算智能和软计算