使用逻辑回归和贝叶斯算法对wine数据集进行分类。
包含wine数据集,源代码,实验报告及控制台可执行程序。
2020/10/17 18:52:13 321KB 数据挖掘 wine eclipse
1
设一个时隙Aloha系统的时隙长度为1,所有节点的数据包均等长且等于时隙长度。
网络中的节点数为m,各节点数据包以泊松过程到达。
1假定每个节点的数据包到达强度均为λ/m,在不同的λ下,仿真时隙Aloha数据包传送的成功概率,绘制呼入强度和成功概率的曲线,和理论结果进行对照。
仿真思路:1)生成一个二项分布列来模拟数据包的到达过程2)因为数据包以泊松过程到达,所以二项分布的P定为(1-meλ−)3)对生成的数列求和,只有当其和恰等于1即有且仅有一个数据包到达时,才可以成功发送,这时成功个数计数+14)对每个给定的λ值进行N次实验,数理统计;
遍历不同λ值,作图
2020/7/1 8:11:52 99KB 通信仿真
1
机器学习-贝叶斯-西瓜分类对代码的每一行进行了注解,适合初学者使用,次要代码来源是百度ai社区,只是对其进行了注解
2015/4/21 18:56:09 627KB 机器学习
1
模式识别中贝叶斯算法判别身高体重matlab实现1)应用单个特征进行实验:以(a)身高或者(b)体重数据作为特征,在正态分布假设下利用最大似然法或者贝叶斯估计法估计分布密度参数,建立最小错误率Bayes分类器,写出得到的决策规则,将该分类器应用到测试样本,调查测试错误情况。
在分类器设计时可以调查采用不同先验概率(如0.5对0.5,0.75对0.25,0.9对0.1等)进行实验,调查对决策规则和错误率的影响。
2)应用两个特征进行实验:同时采用身高和体重数据作为特征,分别假设二者相关或不相关,在正态分布假设下估计概率密度,建立最小错误率Bayes分类器,写出得到的决策规则,将该分类器应用到训练/测试样本,调查训练/测试错误情况。
比较相关假设和不相关假设下结果的差异。
在分类器设计时可以调查采用不同先验概率(如0.5vs.0.5,0.75vs.0.25,0.9vs.0.1等)进行实验,调查对决策和错误率的影响。
3)自行给出一个决策表,采用最小风险的Bayes决策重复上面的某个或全部实验。
2016/6/25 22:06:17 669KB 模式识  matla
1
个人课设时完成的基于决策树和朴素贝叶斯算法对Adult数据集进行分类的源码!
2015/11/11 16:32:14 568KB naive bayes decision Tre
1
朴素贝叶斯算法写的关于鸢尾花分类的程序,有需要的可以本人下载修改使用.
2021/8/15 16:16:30 2KB matlab 朴素贝叶斯
1
贝叶斯判别算法matlab的实现,详细地引见了贝叶斯算法
2020/6/26 15:50:56 2KB 贝叶斯
1
朴素贝叶斯算法完成的邮件分类器,其中包括代码和数据。
文章链接为:https://blog.csdn.net/J__Max/article/details/82965180
2021/9/16 23:47:36 3.94MB Python 朴素贝叶斯 邮件分类器
1
NaiveBays朴素贝叶斯算法在JAVA中的完成
2016/6/24 15:48:17 100KB Naive Bays JAVA
1
基于贝叶斯算法的手机垃圾短信过滤,完好的过程步骤及代码。
直接可用
2020/1/3 4:58:28 651KB 机器学习 贝叶斯算法
1
共 47 条记录 首页 上一页 下一页 尾页
在日常工作中,钉钉打卡成了我生活中不可或缺的一部分。然而,有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚,我总是得牢记打开钉钉应用,点击"工作台",再找到"考勤打卡"进行签到。有时候因为工作忙碌,会忘记打卡,导致考勤异常,影响当月的工作评价。而且,由于我使用的是苹果手机,有时候系统更新后,钉钉的某些功能会出现异常,使得打卡变得更加麻烦。 另外,我的家人使用的是安卓手机,他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说,每次打卡都是一次挑战。他们总是担心自己会操作失误,导致打卡失败。 为了解决这些烦恼,我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习,我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03 15KB 钉钉 钉钉打卡