**主要是让参赛选手根据训练集中的乘客数据和存活情况进行建模，进而使用模型预测测试集中的乘客是否会存活。乘客特征总共有11个，以下列出。当然也可以根据情况自己生成新特征，这就是特征工程（feature engineering）要做的事情了。**

本文用的是sciki-learn库的iris数据集进行测试。用的模型也是最简单的，就是用贝叶斯定理P(A|B) = P(B|A)*P(A)/P(B)，计算每个类别在样本中概率（代码中是pLabel变量） 以及每个类下每个特征的概率（代码中是pNum变量）。 写得比较粗糙，对于某个类下没有此特征的情况采用p=1/样本数量。 有什么错误有人发现麻烦提出，谢谢。 [python] view plain copy # -*- coding:utf-8 -*- from numpy import * from sklearn import datasets import numpy as np cl

作为开发贝叶斯网络和概率编程的matlab开源库分享给大家，作为刚入门的你应该最为合适，另外这个代码在github上也能找到，还包括基于python的和基于R语言的库也能找到，如果大家有兴趣的化可以关注我一下，有问题一起探讨，谢谢！

通过贝叶斯网络对500组位置信息进行分类，位置信息一共分为4类，每类分类的正确率都达到90%以上

这是本人业余的破解版本，我也不知道有没有完全破解成功，不过去除了一些功能限制（比如可以保存超过15个结点的图），如果遇到有破解未成功的地方请联系我，仅供学习与试用谢谢。附上我唯一找到的中文教程：http://blog.sciencenet.cn/blog-82650-255141.html

一个很有用的关于贝叶斯网络的工具包，希望对大家有用

一个实用的贝叶斯网络仿真软件。能够实现大部分贝叶斯分类及推理。图形化的界面，上手很快 一个实用的贝叶斯网络仿真软件。能够实现大部分贝叶斯分类及推理。图形化的界面，上手很快

SSVEP-BCI研究 作为Ridgefield高中专业研究计划的一部分，我研究了脑机接口领域并进行了实验。 在老Dominion大学（现移居至弗吉尼亚联邦大学）的Dean Krusienski博士及其博士生的指导下，我使用脑电图（EEG）测量了人体稳态视觉诱发电位（SSVEP）。 SSVEP是通过向对象提供闪烁的棋盘图像而生成的，可以潜在地用于帮助残疾患者与环境互动而不动。 摘要： 自从基于稳态视觉诱发电位（SSVEP）的脑机接口（BCI）发明以来，主要的挑战是提高准确性和信号识别能力。 尽管SSVEP在具有最小BCI暴露的受试者中表现出很高的准确率，但要保证日常使用的可靠性，BCI必须达

贝叶斯网络的K2结构学习 clear N = 4; dag = zeros(N,N); %C = 1; S = 2; R = 3; W = 4; % topological order C = 4; S = 2; R = 3; W = 1; % arbitrary order dag(C,[R S]) = 1; dag(R,W) = 1; dag(S,W)=1; false = 1; true = 2; ns = 2*ones(1,N); % binary nodes bnet = mk_bnet(dag, ns); bnet.CPD{C} = tabular_CPD(bnet, C, 'CPT', [0.5 0.5]); bnet.CPD{R} = tabular_CPD(bnet, R, 'CPT', [0.8 0.2 0.2 0.8]); bnet.CPD{S} = tabular_CPD(bnet, S, 'CPT', [0.5 0.9 0.5 0.1]); bnet.CPD{W} = tabular_CPD(bnet, W, 'CPT', [1 0.1 0.1 0.01 0 0.9 0.9 0.99]); [n ncases] = size(data); % set default params type = cell(1,n); params = cell(1,n); for i=1:n type{i} = 'tabular'; %params{i} = { 'prior', 1 }; params{i} = { 'prior_type', 'dirichlet', 'dirichlet_weight', 1 }; end scoring_fn = 'bayesian'; discrete = 1:n; clamped = zeros(n, ncases); max_fan_in = n; verbose = 0; dag = zeros(n,n); for i=1:n ps = []; j = order(i); u = find(clamped(j,:)==0); score = score_family(j, ps, type{j}, scoring_fn, ns, discrete, data(:,u), params{j}); if verbose, fprintf('\nnode %d, empty score %6.4f\n', j, score), end done = 0; while ~done & (length(ps) score score = best_pscore; ps = [ps best_p]; if verbose, fprintf('* adding %d to %d, score %6.4f\n', best_p, j, best_pscore),end else done = 1; end end if ~isempty(ps) % need this check for matlab 5.2 dag(ps, j) = 1; end end

贝叶斯统计学——原理模型及应用 S.詹姆士.普雷斯著