010朴素贝叶斯.7z010朴素贝叶斯.7z

1.对微博的高校舆情话题进行爬取并保存，内容包括用户名、发布时间、发布内容、点赞数、评论数、转发数。 2.对爬取的信息进行去重和预处理，去掉爬取到的内容相同的博文，并将博文内容中的话题、用户名过滤掉，以便进行词频统计。 3.对经过预处理的数据进行分词和词频统计，生成词云图。 4.先对五百多条数据进行人工标记作为训练集，再将所有数据都进行标记以便计算准确率，随后运行程序对所有数据进行贝叶斯情感倾向分析，根据分析结果和人工标记结果进行对比，计算准确率。 5.对实验方法进行分析和改进，或提出改进方案。 包含源码：爬虫+分词+数据预处理+词云+朴素贝叶斯情感倾向分析+可视化结果显示

matlab代码求含参量矩阵特征值统计压缩感知 基于贝叶斯统计实现压缩感知。 给定的 地图估计 我们找到给定y 、 Φ和Σ的x的最大后验 (MAP) 估计。 首先，我们使用贝叶斯定理 取导数找到 MAP 估计的封闭形式 使用 Woodbury 矩阵 Identity 优化逆计算 MAP估计的最终封闭形式 生成协方差矩阵 (Σ) 假设：协方差矩阵的第i个特征值的形式为：对于所有i s， i - α 。 选择一个大小为n x n的随机正交矩阵U。 定义大小为n x n的对角矩阵D ，其中对角线项为i - α 。 协方差矩阵， Σ定义为UDU' 。 实验 我们试验了两个α值：0、3。 对于每个α ，我们生成nexp n维向量 ( x s )。 我们选择一组m 。 对于每个m ，我们生成一个大小为m x n的随机传感矩阵Φ ，其条目来自 iid Gaussian ，均值为 0，方差为 1/ m 。 我们使用它来生成测量信号y ( Φx )。 我们添加 σ 为测量信号平均值的 0.01 倍的高斯噪声。 我们使用上面推导出的 MAP 估计公式重建x并计算相对均方根误差（Relative RMSE）

学校作业，不使用封装好的函数实现贝叶斯分类，先读readme即可知道使用方法。

2048 四联骨牌 滑行 更多详情、使用方法，请下载后阅读README.md文件

用于mnist数据集识别，将minst数据集和算坏mnist数据集的结果进行对比。

一个闪亮的应用程序，通过模拟退火 MCMC 可视化简单的贝叶斯推理。

python朴素贝叶斯完整代码，数据以及结果图片

实验目的： 理解贝叶斯最小错误率分类器的原理，根据实际问题，设计并实现一个最小错误率贝叶斯分类器。 实验内容： 对UCI数据库中的Iris数据集，利用贝叶斯分类器进行分类。

matlab_手写体数字识别的程序，用了三种方法，贝叶斯，最近邻和BP神经网络