ppt，代码，手动算法演示

LDA分类器.pptx详解介绍及手动算法演示

引入一般的损失函数来替代误差概率在类别状态时，采取行动的风险（预期损失）贝叶斯决策论λ α风险函数表示有限的c个类别集表示有限的a种可能采取的行为集条件风险：观

构造精确的贝叶斯网络分类器已被证明为NP难问题，提出了一种基于捕食逃逸粒子群优化（PSO）算法的通用贝叶斯网络分类器，能有效避免数据预处理时的属性约简对分类效果的直接影响，实现对贝叶斯网络结构的精确学习和搜索。另外，将所提出的分类器应用于高职院校就业预测分析，并在Weka平台上实现对该分类器的构建和验证，与其他几种贝叶斯网络分类器的对比实验结果表明，该分类器具有更好的性能。

RNBL-MN 序列分类器递归朴素贝叶斯学习器的实现 ＃＃＃关键词 Weka ,递归朴素贝叶斯,决策树,多项式事件模型,序列分类器 描述 用于构建和使用递归朴素贝叶斯分类器进行序列分类的 Java 类。 RNBL-MN 是一棵朴素贝叶斯分类器树，其中每个节点都是一个基于多项式事件模型的 NB 分类器。 RNBL-MN 被证明优于 C4.5 决策树学习器，并且产生与使用类似信息的 SVM 相当的准确度。 ##Reference 有关更多信息，请参阅， Dae-Ki Kang、Adrian Silvescu、Vasant Honavar “RNBL-MN：用于序列分类的递归朴素贝叶斯学习器”PAKDD'06。 依赖项： 该项目依赖于 Weka 3.6 NaiveBayesMultinominal 分类器和其他辅助功能。 Weka的效率问题 我在评估中加入了C4.5决策树方法来与RNB

小时间序列在宏观经济领域普遍存在, 对小时间序列的分类预测也有着广泛的需求.由于小时间序列 蕴含的信息不充分, 有效地提高小时间序列分类预测的可靠性非常困难, 目前也缺少这方面的研究.针对这种情况, 在基于引入平滑 参数的高斯核函数估计属性边缘密度的基础上, 建立用于小时间序列分类预测的动态朴素贝叶斯分类器, 并给出平滑参数的同步和异步优化方法.实验 结果表明, 优化能够显著提高小时间序列分类预测的准确性.

MATLAB用拟合出的代码绘图学士项目：使用Support-Vector Machines和KNN基于EEG数据对愤怒进行分类 以下存储库是学士项目期间使用的代码的枢纽。 该存储库包含用于预处理和分析EEG数据（Matlab），所有统计测试（R）和分类器（Python +）的每一行。 随着项目的进行，本文档的其余部分用作记事本。 它充满了对我们一路重要的项目，在归档项目之前不得更改。 每个脚本都包含解释性注释，以指导读者阅读代码。 线性混合效应模型 验证线性混合效应模型始终需要做两件事： 检查正常性和同质性。 构建一个所谓的“空模型”，并将混合模型的性能与此空模型进行比较。 I.混合效应模型属于参数统计技术（连同t检验和ANOVA检验）一起。 参数方法要求条件之间的差异呈正态分布，即条件A和条件B之间的差异需要近似钟形曲线。 非参数技术没有此限制-它们是“无分布的”-但是，混合模型是参数化的，因此我们需要检查差异是否实际上遵循正态曲线。 混合模型的另一个要求是数据是同质的，即就方差而言，数据集的一部分与另一部分没有很大差异。 下面描述的图检查了两者->形成了两个云，描绘了男性和女性之间

adaboost 演示demo（基于Matlab，学习算法包括决策树、神经网络、线性回归、在线贝叶斯分类器等），动态GUI显示学习过程、vote过程等

级联分类器下载，训练模型 下载直接可用

OpenCV 分类器训练截图工具,样本负样本快速生成工具分享给大家。