hBayesDM hBayesDM （决策任务的多层贝叶斯建模）是一种用户友好的程序包，可对一系列决策任务上的各种计算模型提供分层的贝叶斯分析。 hBayesDM使用进行贝叶斯推理。 现在， hBayesDM支持和 ！ 快速链接 教程： : （R）和 （Python） 邮件列表： : forum / hbayesdm-users 错误报告： https : //github.com/CCS-Lab/hBayesDM/issues 贡献：请参阅此存储库的Wiki 。 引文 如果您使用hBayesDM或其某些代码进行研究，请引用本文： @article { hBayesDM , title = { Revealing Neurocomputational Mechanisms of Reinforcement Learning and Decision-Making

针对传统Takagi-Sugeno-Kan(TSK)模糊系统处理大规模数据时间代价较高的问题,提出一种基于概率模型框架的L2型TSK模糊系统建模策略,建立具有处理大规模数据能力的贝叶斯L2型TSK模糊系统(B-TSK-FS).具体地,基于L2型TSK模糊系统的输出误差概率化表示,对系统前后件参数联合学习,提高系统的泛化能力.另外,引入狄利克雷先验分布函数,对模糊隶属度稀疏化表示,实现样本的压缩,降低运算时间.在模拟和真实数据集上的实验结果验证了所提出模糊系统的优势.

对基于朴素贝叶斯算法的垃圾邮件过滤技术进行了研究分析和实验验证。介绍了向量空间模型（VSM）方法以及特征向量抽取方法，推导和研究了引入“特征之间互相独立”假设的朴素贝叶斯分类算法。采用K次交叉验证的方法，以收集的一些邮件为语料，应用朴素贝叶斯分类算法，通过训练集计算得到类别的先验概率和特征项的类条件概率，并以此为基础对测试集中的邮件进行归属判断，以正确率和召回率为指标给出了实验结果。

贝叶斯分析食谱 介绍 我最近受到贝叶斯统计分析的灵活和强大的启发。 然而，与许多事情一样，灵活性通常意味着要对易用性进行权衡。 我认为拥有一本可用于多种设置的代码手册对于将贝叶斯方法引入更通用的设置非常有帮助！ 目标 我的目标是每个型号有一个笔记本。 在每个笔记本中，您最终应该会发现： 这里正在解决的问题。 数据结构的描述。 示例数据表。 它通常最终会成为数据。 模型的 PyMC3 代码； 在某些笔记本中，同一型号可能有两个版本。 有关如何报告 MCMC 采样后验结果的示例。 我希望这些食谱对你有用！ （假设 我的假设遵循帕累托原则：大部分现实世界的问题基本上可以归结为几类问题，这些问题具有贝叶斯解释。 特别是，我有这样的预感，像ANOVA常用的方法，可以通过概念比较简单和更可解释的贝叶斯替代品取代，像约翰Kruschke最好的（B ayesianéstimation小号up

我也是找了好久，英文“Probabilistic Programming and Bayesian Methods for Hackers”，2分分享给大家，http://www.cnblogs.com/hxsyl/

压缩感知稀疏贝叶斯算法，包含SBL,TSBL和TMSBL算法。亲自测试能够使用

通过分析设备故障诊断与维修所面临的主要问题以及当前常用诊断策略存在的局限性, 研究
基于贝叶斯网络的故障诊断策略优化方法。提出了适合于表达诊断问题的基于故障假设2观测2维修操
作节点的贝叶斯网络结构, 阐述了基于贝叶斯网络的故障诊断策略优化方法的基本思想和优化算法。 该
方法综合考虑了多故障、 有观测操作以及操作之间有依赖关系等情况。最后通过应用实例, 证实了该方
法在信息不确定条件下进行诊断与维修决策的有效性。

朴素贝叶斯估计 朴素贝叶斯是基于贝叶斯定理与特征条件独立分布假设的分类方法。首先根据特征条件独立的假设学习输入/输出的联合概率分布，然后基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。 具体的，根据训练数据集，学习先验概率的极大似然估计分布 以及条件概率为 Xl表示第l个特征，由于特征条件独立的假设，可得 条件概率的极大似然估计为 根据贝叶斯定理 则由上式可以得到条件概率P(Y=ck|X=x)。 贝叶斯估计 用极大似然估计可能会出现所估计的概率为0的情况。后影响到后验概率结果的计算，使分类产生偏差。采用如下方法解决。 条件概率的贝叶斯改为

朴素贝叶斯算法的java实现，具有很好的分类效果

实现算法有KNN、Kmeans、EM、Perceptron、决策树、逻辑回归、svm、adaboost、朴素贝叶斯