C++编写的朴素贝叶斯分类器跟k-means聚类，用于学习机器学习，最好是在Linux上运行，可以运行

Hadoop课程设计-基于Java和mapreduce实现的贝叶斯文本分类器设计; Hadoop课程设计-基于Java和mapreduce实现的贝叶斯文本分类器设计;

正样本集为包含“识别物体”的灰度图，一般大于等于2000张，尺寸不能太大，尺寸太大会导致训练时间过长。负样本集为不含“识别物体”的任何图片，一般大于等于5000张，尺寸比正样本集稍大。一般为正样品集的3倍。在当前文件夹下新建五个文件夹，pos和neg放处理后的图片，ini_pos和ini_neg放原来的图像，xml放以后自定义生成的分类器将下载的正负样本集分别放入ini_pos和ini_neg文件夹。我百度图片上下载了船的图片到ini_pos,鱼的图片到ini_neg。

数据挖掘导论（第二版）第4章：贝叶斯分类器.pptx

针对现阶段基于图像检测的板形识别在缺陷的检出率普遍较低以及检测速度慢等问题，文中提出了一种基于计算机图像处理的板形识别系统，其通过直方图均衡化与高帽变换对初始图像进行处理，并通过边缘检测算法提取轮廓，然后利用BP神经网络分类器进行缺陷识别与分类。其在实验及实际工业生产中，均具有较高的识别率，可达到约90%，且还具有较好的板形识别效果。

cnn-classification-dog-vs-cat 基于CNN的图像分类器，使用Kaggle的猫狗图片数据。 1 requirement python3 numpy >= 1.14.2 keras >= 2.1.6 tensorflow >= 1.6.0 h5py >= 2.7.0 python-gflags >= 3.1.2 opencv-python >= 3.4.0.12 2 Description of files inputs: 猫狗图片样本数据，，使用keras库中的类读取，需要将每个类的图片放在单独命名的文件夹中存放； train.py: 自建的简单CNN，训练后测试集精度约83%； pre_train.py: 利用已训练的常用网络(基于数据集训练)，进行迁移学习，测试集精度约95%以上； data_helper.py: 数据读取和预处理模块； img_cnn.py:

1.利用所提供的训练数据，完成基本最小错误率的贝叶斯分类器的设计，并用测试数据进行测试，计算出错误率。 2.再使用最小风险判别准则进行分类，实验中假设风险参数矩阵为L，该数据可根据实际损失的情况需要进行修改。 这里给定损失参数矩阵为:[0,2,1; 3,0,4; 1,2,0] 损失参数矩阵可以调整. 3.改变损失矩阵对分类结果是否会有影响？给出不同的两组损失矩阵得到的分类结果。 4.使用python语言来完成实验

SVM的参数优化——如何更好的提升分类器的性能

社会上的主要疾病是全世界女性的乳腺癌，其中27％的女性患有癌症。 机器学习分类器适合医师以低成本和时间进行完美诊断。 分类器的比较性能分析需要获得准确的诊断，因为医学数据由本质上嘈杂的高维数据组成。 在这项研究中，将不同的分类器机器学习技术应用于乳腺癌数据集。 印度的癌症发生率在30年代初有所增加，但在50-64岁时达到最高点。 根据NICPR报告，在28名妇女中，有一名妇女患了乳腺癌。 但是这种比例将改变城市人口，其中22名妇女中有1名妇女受到影响。 在农村，该比例增加到每60名妇女中增加1名？ 通过早期诊断和治疗可以提高患者的治愈率，这可以延长他们的寿命。 在这里，我们已经建立了一个模型来识别癌细胞是良性还是恶性的。 我们使用了机器学习技术分类器。 在这里，我们必须确定一种在不同的手术条件和数据集下预测疾病的合适技术。 结果分析表明，SVM被认为是识别不同性能矩阵（例如灵敏度，准确性，误差和特异性）的合适选择。

以Iris兰花数据集为例子： 从UCI数据库中下载的Iris原始数据集的样子是这样的，前四列为特征列，第五列为类别列，分别有三种类别： Iris-setosa， Iris-versicolor， Iris-virginica。