朴素贝叶斯(naive Bayes)是基于贝叶斯定理和条件独立假设的分类方法。该方法是生成方法，即通过数据学习输入/输出的联合概率分布，然后基于此模型，对于给定的输入x，求出后验概率最大的输出y。 1.模型 联合概率分布：P(X,Y) 先验概率(边缘概率)分布： 条件概率分布： 三者关系：条件概率分布=联合概率分布/先验概率。 条件概率分布有指数级数量参数，通过条件独立假设(用于分类的特征在类确定的条件下都是条件独立的)，将朴素贝叶斯法变得简单，但会牺牲一定的分类准确率。 条件独立性假设得到： 2.策略 贝叶斯公式： 朴素贝叶斯法分类时，对给定的输入x，通过学习计算后验概率分布，将后验

最小风险贝叶斯决策，MATLAB代码，有多个举例代码

压缩感知贝叶斯 DOA算法，Off-grid模型，近似模型。

动态贝叶斯网络（DBN）是基因调控网络的一种有力建模工具。贝叶斯结构期望最大算法（SEM）能较好地处理构建基因调控网络中数据缺失的情况，但SEM算法学习的结果对初始参数设置依赖性强。针对此问题，提出一种改进的SEM算法，通过随机生成一些候选初始值，在经过一次迭代后得到的参数中选择一个最好的初始值作为模型的初始参数值，然后执行基本的SEM算法。利用啤酒酵母细胞周期微阵列表达数据，构建其基因调控网络并与现有文献比较，结果显示该算法进一步提高了调控网络构建的精度。

社交网络面临着许多的安全问题,目前大部分的研究主要集中于社交网络中的(核心)节点、关系、结构等方面,因此"安全关系"的研究显得尤为重要.通过分析安全风险与发生事件之间的关联,采取等级划分、数值度量、多态数据融合、逻辑关联等因素下定性与定量相结合的计算机制,提出了一种基于贝叶斯网络的社交网络安全关系态势评估模型,为社交网络上安全态势的感知与预测提供理论依据.

三、共轭先验分布的优缺点 共轭先验分布在很多场合被采用，因为它有两个优点： （1）计算方便。 （2）后验分布的一些参数可得到很好的解释。 不足：怎样找到合理的先验分布？ （防止误用）

小波域高斯尺度模型去噪，使用贝叶斯最小均方估计系数

为什么“朴素” 原因 因为它假定所有的特征在数据集中的作用是同样重要和独立的，正如我们所知，这个假设在现实世界中是很不真实的，因此，说是很“朴素的”。

基于稀疏贝叶斯学习的窄带信号波达方向估计，实测有用，亲测有效！

贝叶斯思维统计建模的PYTHON学习法.pdf