MATLAB实现BO-GRU贝叶斯优化门控循环单元时间序列预测（完整源码和数据） 数据为单变量时间序列数据， 运行环境MATLAB2020b及以上， 程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。

基于故障树和贝叶斯网络的发动机可靠性预计 在故障树基础上提出贝叶斯网络，并以“发动机不能正常点火”故障演示贝叶斯推理过程。通过可靠性数据库系统计算故障树中故障概率，采用贝叶斯网络建模方法，用连接树的形式表述故障树中不同层级事件之间的关系，完成由故障树向贝叶斯网络的转化。通过开发的界面得出建立的贝叶斯网络模型，并着重找出不同子系统中零部件故障的关联关系，并以油底壳故障可以导致两个子系统故障为实例计算联合概率分布，用于指导可靠性预计的大致范围。

包括贝叶斯统计计算 统计分布理论 决策理论等

本文介绍了R包bayesGARCH，它为使用Student-t创新的简约但有效的GARCH（1,1）模型提供了贝叶斯估计功能。 估计过程是全自动的，因此避免了调整采样算法的耗时且困难的任务。 在经验应用程序中显示了包的用法以交换汇率对数收益。

实验三 基于朴素贝叶斯实现垃圾短信分类.ipynb

本代码实现了朴素贝叶斯分类器（假设了条件独立的版本），常用于垃圾邮件分类，进行了拉普拉斯平滑。 关于朴素贝叶斯算法原理可以参考博客中原理部分的博文。 #!/usr/bin/python # -*- coding: utf-8 -*- from math import log from numpy import* import operator import matplotlib import matplotlib.pyplot as plt from os import listdir def loadDataSet(): postingList=[['my', 'dog', 'has'

练习使用 Python 语言，请对“西瓜数据集2.0"中的数据进行分析，使用朴素贝叶斯方法学习西瓜数据后验条件概率分布，并对如下瓜的类型做出判断（乌黑，蜷缩，浊响，稍糊，平坦，硬滑）将 Python 运行结论截图上传到本题

使用Python实现朴素贝叶斯算法实现垃圾邮件分类 一、实验任务内容 1、分解各类先验样本数据中的特征 2、计算各类数据中，各特征的条件概率 3、分解待分类数据中的特征 4、计算各特征的各条件概率的乘积 5、结果中的最大值就是该样本所属的类别 二、实验步骤及结果 1、得到数据集和标签集，返回列表参数，返回单词转换为向量之后的列表。 2、通过训练得到贝叶斯分类模型 3、用朴素贝叶斯文本分类器对两个测试样本进行分类，利用正则函数进行解析 4、导入垃圾邮件和非垃圾邮件各25个并解析；构建训练集和测试集，利用贝叶斯分类模型来预测测试集，输出贝叶斯预测的准确率 5、输出测试10次的平均值 6、输出去重的单词列表和贝叶斯分类模型测试的准确率，测试10次的准确率的平均值。 三、实验心得 朴素贝叶斯确实是很好的预测分类的算法，但是这个算法还是有点过分的依赖训练集了，一些基本的概率计算还是根据训练集的结果得来的（比如40个训练集，10个测试集，它输出的准确率是0.5），预测的结果很大程度上取决于训练集的好坏，一旦训练集数据趋势有误会对结果造成严重的影响。

采用朴素贝叶斯算法对邮件进行文本分类，过滤垃圾邮件

机器学习之朴素贝叶斯分类+拉普拉斯平滑 资源内容：西瓜数据集3.0+朴素贝叶斯分类（python手写） 代码可直接运行 输入数据为DataFrame类型，比较好理解。