朴素贝叶斯的模型相信大家不陌生，通过谷歌、百度也能够很容易的搜索到朴素贝叶斯的c++或matlab的源码。
但是，如果只是用到朴素贝叶斯的最基本理论，如求后验率、分类器等的话，其实大家大可不必本人去实现代码。
在matlab中的统计工具包(StatisticsToolbox)下就有NaiveBayes的类。
通过使用这个类，我们可以很轻易实现对数据进行学习、分类、求概率等。
下面列出最基本、最常用的用法。
但是，如果只是用到朴素贝叶斯的最基本理论，如求后验率、分类器等的话，其实大家大可不必本人去实现代码。
在matlab中的统计工具包(StatisticsToolbox)下就有NaiveBayes的类。
通过使用这个类，我们可以很轻易实现对数据进行学习、分类、求概率等。
下面列出最基本、最常用的用法。
2015/4/20 12:39:08
27KB
1
基于MATLAB的柑桔果实分类图像朴素贝叶斯分类器NaiveBayesClassifierToClassificationImageOfCitrusFruitsWithMatlabCode
2016/2/17 1:30:37
2.36MB
1
本书适合有志于从事数据挖掘的初学者，需求的朋友可看看第一部分数据挖掘与机器学习数学基础3第一章机器学习的统计基础3第二章探索性数据分析（EDA）.11第二部分机器学习概述14第三章机器学习概述14第三部分监督学习---分类与回归16第四章KNN（k最邻近分类算法）16第五章决策树19第六章朴素贝叶斯分类29第七章Logistic回归.32第八章SVM支持向量机42第九章集成学习(EsembleLearning)43第十一章模型评估46第四部分非监督学习---聚类与关联分析50第十二章Kmeans聚类分析.50第十三章关联分析Apriori.52第十四章数据预处理之数据降维54第五部分Python数据预处理.57第十五章Python数据分析基础.57第十六章Python进行数据清洗.77第六部分数据结构与算法82第七部分SQL知识.86第八部分数据挖掘案例分析87案例一AJourneythroughTitanic597c770e.87案例二Analysisforairplane-crashes-since-190894案例三贷款预测问题98案例四KNN算法实现葡萄酒价格模型预测及交叉验证107
2015/1/23 5:02:50
4.4MB
1
从网站爬取口红销售数据，分析影响销售数据的重要因素以及根据销售因素建模预测其销售量。
本文先将数据进行预处理得到实验数据，然后着重分析朴素贝叶斯判别分析算法、AdaBoost算法以及随机森林算法在口红销量预测中的效果，并在随机森林算法中进行模型优化。
通过实验结果表明总评价数、价格和描述分这三个因素对销售量的影响较大，对三个算法对比分析得出随机森林算法预测错误率最低，有较好的预测效果。
本文先将数据进行预处理得到实验数据，然后着重分析朴素贝叶斯判别分析算法、AdaBoost算法以及随机森林算法在口红销量预测中的效果，并在随机森林算法中进行模型优化。
通过实验结果表明总评价数、价格和描述分这三个因素对销售量的影响较大，对三个算法对比分析得出随机森林算法预测错误率最低，有较好的预测效果。
2022/9/8 7:04:18
4.29MB
1
压缩包中包括python脚本和一个PPT。
在UtralEdit中打开这两个脚本NBayes_lib.py和NBayes_test.py就可以查看脚本，然后运行NBayes_test.py这个脚本就可以得到测试集文本1的分类结果是0PPT详解了朴素贝叶斯算法的原理以及这个文本分类器的程序思想和运行结果详解，希望对你能够有协助，如果有任何问题，请留言！
在UtralEdit中打开这两个脚本NBayes_lib.py和NBayes_test.py就可以查看脚本，然后运行NBayes_test.py这个脚本就可以得到测试集文本1的分类结果是0PPT详解了朴素贝叶斯算法的原理以及这个文本分类器的程序思想和运行结果详解，希望对你能够有协助，如果有任何问题，请留言！
2022/9/3 7:59:48
249KB
1
基于协同过滤的电子商务推荐系统极易遭到托攻击,托攻击者注入伪造的用户模型增加或减少目标对象的推荐频率,如何检测托攻击是目前推荐系统领域的热点研究课题.分析五种类型托攻击对不同协同过滤算法产生的危害性,提出一种特征选择算法,为不同类型托攻击选取有效的检测指标.基于选择出的指标,提出两种基于监督学习的托攻击检测算法,第一种算法基于朴素贝叶斯分类;第二种算法基于k近邻分类.最后,通过实验验证了特征选择算法的有效性,及两种算法的灵敏性和特效性.
2015/6/8 3:22:33
1.36MB
1
朴素贝叶斯估计朴素贝叶斯是基于贝叶斯定理与特征条件独立分布假设的分类方法。
首先根据特征条件独立的假设学习输入/输出的联合概率分布，然后基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。
具体的，根据训练数据集，学习先验概率的极大似然估计分布以及条件概率为Xl表示第l个特征，由于特征条件独立的假设，可得条件概率的极大似然估计为根据贝叶斯定理则由上式可以得到条件概率P(Y=ck|X=x)。
贝叶斯估计用极大似然估计可能会出现所估计的概率为0的情况。
后影响到后验概率结果的计算，使分类产生偏差。
采用如下方法处理。
条件概率的贝叶斯改为
首先根据特征条件独立的假设学习输入/输出的联合概率分布，然后基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。
具体的，根据训练数据集，学习先验概率的极大似然估计分布以及条件概率为Xl表示第l个特征，由于特征条件独立的假设，可得条件概率的极大似然估计为根据贝叶斯定理则由上式可以得到条件概率P(Y=ck|X=x)。
贝叶斯估计用极大似然估计可能会出现所估计的概率为0的情况。
后影响到后验概率结果的计算，使分类产生偏差。
采用如下方法处理。
条件概率的贝叶斯改为
2016/5/23 2:49:33
92KB
1
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