基于hadoop2.0，mapreduce实现朴素贝叶斯算法，源码，NaieBayes

设一个时隙 Aloha 系统的时隙长度为 1，所有节点的数据包均等长且等于时 隙长度。网络中的节点数为 m，各节点数据包以泊松过程到达。 1 假定每个节点的数据包到达强度均为 λ /m，在不同的 λ 下，仿真时隙 Aloha 数据包传送的成功概率，绘制呼入强度和成功概率的曲线，和理论结 果进行对照。 仿真思路： 1） 生成一个二项分布列来模拟数据包的到达过程 2） 因为数据包以泊松过程到达，所以二项分布的 P 定为（1- m e λ − ） 3） 对生成的数列求和，只有当其和恰等于 1 即有且仅有一个数据包到达 时，才可以成功发送，这时成功个数计数+1 4） 对每个给定的 λ 值进行 N 次实验，数理统计；遍历不同 λ 值，作图

基于贝叶斯算法的垃圾邮件过滤，可以运行！

源代码加数据库加论文 用了三种过滤垃圾邮件的方法，分别是黑白名单技术、主题关键字过滤技术和贝叶斯策略

java实现的NB算法，在UCI的三个个数据集上进行了测试，包含测试结果和实验报告，还有UCI测试数据 人工智能大作业实验

基于贝叶斯算法的图像像素分割，并可视化分割结果。matlab程序

模式识别中贝叶斯算法判别身高体重 matlab实现 1）应用单个特征进行实验：以（a）身高或者（b）体重数据作为特征，在正态分布假设下利用最大似然法或者贝叶斯估计法估计分布密度参数，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到测试样本，考察测试错误情况。在分类器设计时可以考察采用不同先验概率（如0.5对0.5, 0.75对0.25, 0.9对0.1等）进行实验，考察对决策规则和错误率的影响。 2）应用两个特征进行实验：同时采用身高和体重数据作为特征，分别假设二者相关或不相关，在正态分布假设下估计概率密度，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到训练/测试样本，考察训练/测试错误情况。比较相关假设和不相关假设下结果的差异。在分类器设计时可以考察采用不同先验概率（如0.5 vs. 0.5, 0.75 vs. 0.25, 0.9 vs. 0.1等）进行实验，考察对决策和错误率的影响。 3）自行给出一个决策表，采用最小风险的Bayes决策重复上面的某个或全部实验。

机器学习，朴素贝叶斯算法分类，c++实现

手写体数字识别原始数据，0~9数字，32*32，贝叶斯代码实现手写体识别和大致出错率计算，可用于python学习实践。 github免费下载：https://github.com/HeCCXX/CSDNDownloading/raw/main/%E6%89%8B%E5%86%99%E4%BD%93%E6%95%B0%E5%AD%97%E8%AF%86%E5%88%AB%E6%95%B0%E6%8D%AE%E5%92%8C%E8%B4%9D%E5%8F%B6%E6%96%AF%E4%BB%A3%E7%A0%81%E5%AE%9E%E7%8E%B0.zip

利用c#编写的朴素贝叶斯算法，后期会加入五折交叉算法