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

基于贝叶斯的图像阈值分割，希望对大家有用

#清磁盘啦~，CSDN“网盘”真好用，感谢CSDN~ 机器学习，基于朴素贝叶斯机器学习算法实现对情感文本分析与分类（含数据集），sgns.weibo.bigram-char，使用gensim加载预训练中文分词

构建贝叶斯网络。

sklearn、knn、朴素贝叶斯、决策树 100页PPT + Python源码 + 思维导图 + 运行结果截图 sklearn是基于python语言的机器学习工具包，是目前做机器学习项目当之无愧的第一工具。 sklearn自带了大量的数据集，可供我们练习各种机器学习算法。 sklearn集成了数据预处理、数据特征选择、数据特征降维、分类\回归\聚类模型、模型评估等非常全面算法

数据挖掘导论（第二版）第4章：贝叶斯分类器.pptx

六种判决准则：贝叶斯准则、最小平均错误概率检测准则、最大似然检测准则、极小化极大化检测准则、N-P检测准则、最大后验概率检测准则 仿真六种判决准则，Matlab ，要求，噪声为高斯噪声，信号二元多元都行。画出图，要求能看出判决域变化使判决概率变化。 画出检测模型（相关器和匹配滤波器那块的图）。

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

文中将认知无线电应用于无线传感器网络中,考虑了传感器节点的能量有限、传输数据量较多、频谱资源受限、次用户如何避免占用主用户信道等情况下,构建一种认知无线传感器系统模型。该系统在对授权用户不造成干扰的前提下提高频谱利用率,解决频谱资源受限的问题,并在此基础上提出了基于贝叶斯准则融合的协作频谱感知方案,同时定量的分析了虚警代价与漏验代价对系统的影响。仿真结果表明,相比传统的或融合、与融合协作频谱感知方案而言,该方案较好的提高了无线传感器网络频谱感知的可靠性和准确性,同时更明确地指出虚警代价相比于漏验代价大时,

分类器的性能比较与调优: 使用scikit-learn 包中的tree，贝叶斯，knn，对数据进行模型训练，尽量了解其原理及运用。 使用不同分析三种分类器在实验中的性能比较，分析它们的特点。 本实验采用的数据集为house与segment。