该作业资源包含程序源码和readme文档。
本程序是使用 VC++ 6.0 编程工具编写，编程语言为C++。
本程序实现了手写数字识别功能。在程序灰色区域中手写一个阿拉伯数字（0～9），程序可自动识别出您所书写的数字。
程序所在目录为 "手写数字识别程序\Release\DSPLIT.exe" 。
这个问题主要归结于识别功能的实现，本人使用的分类器基本的方法有两类：
一、模板匹配分类法；
二、贝叶斯分类法。
其中模板匹配分类法是采用特征值最小距离判别法。
而贝叶斯分类法有三种不同的分类实现，分别为：
1.基于二值数据的贝叶斯分类实现，
2.基于最小错误率的贝叶斯分类实现，
3.基于最小风险的贝叶斯分类实现。
2021-12-02 21:25:21
7.21MB
1
简介
多项式朴素贝叶斯也是多用于文本处理，其原理和计算的流程和伯努利朴素贝叶斯基本一致，唯一的区别在于单词的计数方式，由《伯努利朴素贝叶斯》一文可知，在文本处理的环节中，我们将单词是否出现在词组作为特征，但在多项式朴素贝叶斯中，我们将单词在词组中出现的次数作为特征，因此只需要更改文中setOfWords2Vec的函数即可，变成如下方式：
def bagOfWords2VecMN(vocabList, inputSet):
returnVec = [0] * len(vocabList)
for word in inputSet:
if word in vocab
2021-12-01 21:37:54
67KB
1
针对朴素贝叶斯分类算法中缺失数据填补问题，提出一种基于改进EM（Expectation Maximization）算法的朴素贝叶斯分类算法。该算法首先根据灰色相关度对缺失数据一个估计，估计值作为执行EM算法的初始值，迭代执行E步M步后完成缺失数据的填补，然后用朴素贝叶斯分类算法对样本进行分类。实验结果表明，改进算法具有较高的分类准确度。并将改进的算法应用于高校教师岗位等级的评定。
2021-11-29 16:06:47
612KB
1
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！
2021-11-19 13:44:52
118KB
1