朴素贝叶斯算法学习笔记。

文本分类，使用机器学习算法，如朴素贝叶斯、逻辑回归、支持向量机等

COVID风险预测 使用朴素贝叶斯和决策树算法进行COVID-19风险预测

提出了一种利用支持向量机改进的朴素贝叶斯算法——TSVM-NB算法。首先利用NB算法对样本集进行初次训练，利用支持向量机构造一个最优分类超平面，每个样本根据与其距离最近样本的类型是否相同进行取舍，这样既降低样本空间规模，又提高每个样本类别的独立性，最后再次用朴素贝叶斯算法训练样本集从而生成分类模型。仿真实验结果表明，该算法在样本空间进行取舍过程当中消除了冗余属性，可以快速得到分类特征子集，提高了垃圾邮件过滤的分类速度、召回率和正确率。

在学习《数据科学导引》第四章分类算法——决策树及朴素贝叶斯时可以参考本课件，基本原理通俗易懂，并举了相关例子，在决策树剪枝部分对课本内容做了补充，有兴趣可以翻阅。 汇报前查阅了很多相关资料，进行了整合和总结，如果有不甚清晰的地方可以私聊探讨，本人在课堂上对本部分做讲解的时候收到了很好的反响。 如果有不同的见解及学习方法，欢迎在评论区留言提问或提出建议。

朴素贝叶斯数字分类器 基于平均像素亮度和标准偏差的手写数字0或1的朴素贝叶斯分类器 2020年9月 ASU MCS计划课程CSE 575的项目1-统计机器学习 使用的技术： Python，Numpy，Scipy

1、内容概要：本资源主要基朴素贝叶斯算法实现垃圾邮件过滤分类，适用于初学者学习文本分类使用。 2、主要内容：邮件数据集email，email文件夹下有两个文件夹ham和spam，其中ham文件夹下的txt文件为正常邮件，spam文件下的txt文件为垃圾邮件；停用词文件stopwords_cn.txt；Naive_Bay.py 朴素贝叶斯算法实现源码；Email_NB.py垃圾邮件分类实现源码。

1、内容概要：本资源主要基朴素贝叶斯算法实现新闻分类，适用于初学者学习文本分类使用。 2、新闻分类源码实现过程：将数据集划分为训练集和测试集；使用jieba模块进行分词，词频统计，停用词过滤，文本特征提取，将文本数据向量化，使用朴素贝叶斯算法进行分类。 3、主要内容：搜狗新闻数据集SogouC，标签包括财经、IT、健康、体育、旅游、教育、招聘、文化和军事；停用词文件stopwords_cn.txt；Naive_Bay.py 朴素贝叶斯算法实现源码；News_NB.py新闻分类实现源码。

多年来，康奈尔模型在描述强子现象学方面已经取得了巨大的成功，特别是在无法应用强相互作用的有效理论（例如NRQCD）的物理情况下。 由于其成就，一个相关的问题是其模型参数是否可以某种方式与QCD的基本常数相关。 通过比较两种方法的预测，我们将在本文中给出第一个答案。 根据先前对重介子谱研究的结果，我们使用NRQCD预测对康宁模型进行校准，以预测位于$$ \ hbox {N} ^ 3 \ hbox {LO} $$ N3LO处的最低的底层bottom态。 底部质量在很大范围内变化。 我们发现，在微扰的不确定性内，康奈尔模型的质量参数可以用尺度为$$ R = 1 \，\ hbox {GeV} $$ R = 1GeV的MSR质量来确定。 此标识适用于$$ \ alpha _s $$αs的任何值或底部质量，以及所有受调查的扰动阶。 此外，我们证明：（a）“弦张力”参数与底部质量无关，并且（b）Cornell模型的库仑强度$$ \ kappa $$κ可以与QCD强耦合常数$相关。 $ \ alpha _s $$αs在一个非相对论的特征尺度上。 我们还展示了如何通过切换到小尺度，短距离MSR来消除静

python语言实现基于朴素贝叶斯算法的垃圾邮件过滤器-附件资源