朴素贝叶斯方法进行分类的数据集

贝叶斯是基于概率的一种算法，是Thomas Bayes：一位伟大的数学大师所创建的，目前此种算法用于过滤垃圾邮件得到了广泛地好评。贝叶斯过滤器是基于“自我学习”的智能技术，能够使自己适应垃圾邮件制造者的新把戏，同时为合法电子邮件提供保护。在智能邮件过滤技术中，贝叶斯（Bayesian）过滤技术取得了较大的成功，被越来越多地应用在反垃圾邮件的产品中。

数据挖掘实验，写完决策树之后写的，要简单很多，可以动态输入决策项进行决策，附有实验报告,如有学弟学妹引用的话，需谨慎，可参考~

使用贝叶斯分类器进行判断文章类别，其中使用了斯密斯smoothing方法，课程作业，自己编写的matlab源码，直接运行BayesClassifier即可，由于数据量庞大，大概需要运行1分钟左右

贝叶斯实现言论过滤器、过滤垃圾邮箱、新浪新闻分类

通过iris.txt的训练，再利用test.txt进行测试

贝叶斯与决策树算法在入侵检测中的应用

贝叶斯实验室 我的贝叶斯和概率编程相关实验的回购

BayHunter v2.1 BayHunter是一个开源Python工具，用于执行表面波色散和/或接收器功能的McMC多维贝叶斯反演。 该算法遵循数据驱动策略，并针对速度-深度结构，层数，Vp / Vs比和噪声参数（即数据噪声相关性和幅度）进行求解。 包装内提供了正向建模代码，但可以轻松地用自己的代码替换。 也可以添加（完全不同的）数据集。 BayWatch模块可用于在运行时实时进行反转：这使您很容易看到每个链如何探索参数空间，数据如何拟合和模型如何变化以及反转的方向。 引文 詹妮弗·德瑞琳（Dreiling） Tilmann，Frederik（2019）：BayHunter-接收机功能的McMC多维贝叶斯反演和面波频散。 GFZ数据服务。 应用实例 Dreiling等。 （2020年）：斯里兰卡的地壳结构，是通过使用贝叶斯方法对地表波色散和接收器函数进行联合反演而得出的。 地球物

从数据中学习结构是贝叶斯网络研究最重要的基本任务之一。 特别地，学习贝叶斯网络的可选结构是一个不确定的多项式时间（NP）难题。 为了解决这个问题，已经提出了许多启发式算法，并且其中一些在不同类型的先验知识的帮助下学习贝叶斯网络结构。 然而，现有算法对先验知识有一些限制，例如质量限制和使用限制。 这使得很难在这些算法中很好地利用先验知识。 在本文中，我们将先验知识引入了马尔可夫链蒙特卡洛（MCMC）算法，并提出了一种称为约束MCMC（C-MCMC）算法的算法来学习贝叶斯网络的结构。 定义了三种类型的先验知识：父节点的存在，父节点的不存在以及分布知识，包括边缘的条件概率分布（CPD）和节点的概率分布（PD）。 所有这些类型的先验知识都可以轻松地用在该算法中。 我们进行了广泛的实验，以证明所提出的方法C-MCMC的可行性和有效性。