内容包括朴素贝叶斯算法python实现代码，实现对iris分类，包含iris的txt格式的数据集。

bayes-python 具体代码见：bayes_iris.py 我直接用了iris_data数据集，每种花我选取前45条数据当做训练集，剩下5条数据另外存入测试集iris_test_data，并将数据随机手动打乱 测试集如下： 因为这个数据集是连续性属性，所以需要利用概率密度函数。 具体实验步骤为： （1）先读取数据集 （2）计算训练数据集上每个类别的各个特征属性上的均值和方差 （3）开始对测试数据集进行分类 （4）首先估计先验概率，这里我每个类别所占整体数据集的比例是一样的 （5）利用概率密度函数，计算测试数据集上各个属性在每个类别上的条件概率 （6）计算后验概率=先验概率*条件概率 （7）比较在各个类别上的后验概率，取最大值，则分为这个类别 结果如下： 我们将结果与测试集比较发现结果完全正确！

里面有使用说明，自己看看吧~~~~~~~~

来自scikit-learn官网的iris数据集，该数据集共150条记录，每条记录4个特征，包括3个鸢尾花的类别

该程序是“基于C++的经典模糊C均值聚类算法”（写于2008年）的优化改进版本： 参考文献: Bezdek J C. Pattern Recognition with Fuzzy Objective Function Algorithms. New York:Plenum Press, 1981 （1）优化了动态内存管理，部分动态数组采用了容器vector来处理； （2）添加了更多的代码注释,以及运行方式说明； （3）更加规范地整理了代码的书写排布风格； （4）采用VS2015建立的工程； （5）可以完全取代原版本的代码Repeat FCM.rar。 注：如果方便，恳请管理员将旧版的资源“Repeat FCM.rar”删除。

里面有两个 jar 包 cache-jdbc-2.0.0.jar 是 cache 数据库的 适用2018年以前的cache 数据库， intersystems 后面出了 iris 平台用的jar 包是 intersystems-jdbc-3.1.0.jar 这个其实也能连接，并且支持连接池 只是加载的类不同。详细的见官网

一、线性分类及准确率 import pandas as pd import numpy as np import matplotlib.pyplot as plt path=r'F:/人工智能与机器学习/iris.csv' df = pd.read_csv(path, header=0) Iris1=df.values[0:50,0:4] Iris2=df.values[50:100,0:4] Iris3=df.values[100:150,0:4] m1=np.mean(Iris1,axis=0) m2=np.mean(Iris2,axis=0) m3=np.mean(Iris3,axis=

目录一、线性分类器理论基础二、Fisher判别1.算法描述2.推导过程3.python代码实现算法4.类间散度矩阵和类内散度矩阵4.1.类内散度矩阵4.2.类间散度矩阵4.3.总体散度矩阵三、Iris数据集实战1.数据可视化1.1 relplot1.2 jointplot1.3 distplot1.4 boxplot1.5 violinplot1.6 pairplot2.构建模型 一、线性分类器理论基础 假设对一模式X已抽取n个特征，表示为： X=（x1,x2,x3,….xn）T X=（x_1,x_2,x_3,….x_n）^TX=（x1​,x2​,x3​,….xn​）T X是n维空间的一个向量

实验中，采用iris分类数据进行测试。其中共有4种特征，3种类别。设置的网络参数为输入层为4(特征数)，隐藏层设置了1层。神经元个数为8，输出层为3(类别数)，激活函数采用的是sigmoid函数。训练的时候设置的mini_batch_size大小为120（训练样本个数），迭代次数为2000，采用的权重更新策略为批量梯度下降法。最终得到的训练模型在测试数据上进行测试，测试的准确率为1。过程中的验证集准确率变化见图3。在迭代到达600次的时候基本已经稳定，说明该网络结构得到的准确率大致就在这个范围。

关于iris 的贝叶斯分类，用C++实现的