BRSMM 类实现了用于模拟和估计有限简单混合模型参数的算法。 简单模型，例如潜在狄利克雷分配 (LDA) 模型，通常用于基于文本的信息检索，例如，根据单词统计为语料库中的每个文档指定主题时。 BRSMM 类是 LDA 对连续数据的扩展。 它专为包含异常值和/或缺失值的数据而设计。 BRSMM 对象将每个主题建模为具有特定主题参数的重尾分布的混合。 根据贝叶斯范式，参数配备了共轭先验分布。 该模型还包含表示数据中缺失值和数据质量的隐藏变量。 参数和隐藏变量的后验分布通过近似变分推理算法进行估计。 此提交包括一个测试函数，该函数生成一组合成数据并从这些数据中学习模型。 测试函数还绘制根据模型聚类的数据，以及每次迭代后数据的边际对数似然的变分下界。 如果您发现此提交对您的研究/工作有用，请引用我的 MathWorks 社区资料。 如果您有任何技术或应用相关问题，请随时直接与我联系。

序贯蒙特卡洛matlab代码比比斯 版本：0.11.0 上次修改时间：2017-01-31 维护者： 执照：GPL-3 网站： Biips是用于与相互作用的粒子系统（也称为顺序蒙特卡洛（SMC）方法）进行贝叶斯推理的通用软件。 由于其自动的“黑匣子”推理引擎，它旨在将这些方法的使用推广给非统计学家和学生。 它借鉴了BUGS / JAGS软件，该软件广泛用于贝叶斯统计，具有图形模型的统计建模以及与描述相关的语言。 语境 贝叶斯推断包括在给定一组观测值的情况下，近似未知参数相关的条件概率定律。 以上述公式为基础，可以解决许多问题，例如非监督分类，过滤等。 潜在概率定律虽然对于一般情况无法通过分析方式进行计算，但是可以使用蒙特卡洛·马尔可夫链（MCMC）方法进行近似。 由于BUGS软件和WinBUGS图形界面，这些方法在贝叶斯推理中很受欢迎。 由于最近的研究成果不断涌现，因此与经典的MCMC方法相比，基于粒子的交互算法（又称为顺序蒙特卡洛（SMC）方法，其中最常见的实现是粒子滤波器）被证明具有优越的性能。 此外，交互粒子算法非常适合于动态估计问题，例如在过滤，跟踪或分类问题中遇到的问题。 它

机器学习朴素贝叶斯学习文档

便便 ##面向对象编程 2014/15 ###Learning 动态贝叶斯网络 ####MEEC IST 更多信息 ->

ArviZ ArviZ（发音为“ ARvees ”）是一个Python软件包，用于对贝叶斯模型进行探索性分析。 包括后验分析，数据存储，模型检查，比较和诊断的功能。 ArviZ用其他语言 ArviZ还提供了一个可用的Julia包装器 。 文献资料 可以在找到ArviZ文档。 初次使用的用户可能会发现会有所帮助。 在可以找到其他指导。 安装 稳定的 可从PyPI安装ArviZ。 可以使用pip安装最新的稳定版本： pip install arviz ArviZ也可以通过conda- forge获得。 conda install -c conda-forge arviz 发展 可以使用pip从主分支安装最新的开发版本： pip install git+git://github.com/arviz-devs/arviz.git 另一个选择是克隆存储库并使用git和setuptool

微软提供的贝叶斯网络建模、分析工具，操作简单、界面友好，并提供C#API接口及使用示例，可运行于X64系统。

贝叶斯算法实例——文本分析，具体代码可详见‘[学习笔记]机器学习——算法及模型（五）：贝叶斯算法’

本资源为《机器学习实战》第四章基于概率论的分类方法：朴素贝叶斯学习笔记，资源中总结和输入的所有例程代码，并给出注释。资源免费下载

这是粒子滤波的matlab代码，是一个粒子滤波的简单编写，大家可以自由改写。所需进阶的代码大家自己都可以在此基础上编写出来。

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。