朴素贝叶斯 数据挖掘的第一个任务。 实施朴素贝叶斯，使用基于熵的离散化预处理数据，并使用 10 倍交叉验证进行验证。

Naive Bayes的基本实现以及分布式实现 基于Java实现。 项目内容 项目简介 项目起因 本项目主要实现大规模文本分类，提供快速高效的情感分析框架。 项目框架 simple： 单线程、单机器的Navie Bayes算法的实现。 mapred： 分布式部分包含四个MapReduce作业: 两个训练作业 一个用于将训练模型与测试数据集联接的作业 一个用于分类的作业 一个用于与DB联接的作业 mapred.core: 将训练和预测拆分： 1）训练部分包含4个作业：两个计算类别的先验概率、两个计算词语在类中的条件概率； 2）预测部分包含2个作业：预测数据与模型的联结、预测算法； web: 提供web服务： 使用训练好的模型，提供在线情感分析服务。 输入数据示例： cate1,cate2 测试 数据 集合 cate2,cate3 测试 数据 集合 运行主作业:

医疗保健分析 存储库内容： Python Notebook文件包含用于数据探索，功能工程和机器学习模型（朴素贝叶斯，XGBoost，神经网络）的项目代码。 PDF报告文件包含项目，谓词和结果的概述。 Datasets.zip包含项目中使用的测试和训练数据。 HTML文件是jupyter笔记本的降价促销，其中所有输出均无需使用python或其IDE即可查看。 介绍： 医疗机构承受着越来越大的压力，以改善患者的护理效果并获得更好的护理。 尽管这种情况是一个挑战，但它也为组织提供了一个机会，可以利用其数据中的更多价值和洞察力来显着提高护理质量。 医疗保健分析是指使用定量和定性技术对数据进行分析，以探索所获取数据中的趋势和模式。 尽管医疗保健管理使用各种指标来衡量绩效，但患者的住院时间很重要。 能够预测住院时间（LOS），使医院能够优化其治疗计划以减少LOS，从而降低患者，工作人员和

初学机器学习，使用python实现的朴素贝叶斯算法实现数字识别，使用mnist数据集训练和测试

网络流量异常的检测和分类 实验基于 数据集的版本。 1.先决条件 1.1。 安装项目依赖项 不 姓名 版本 描述 1个 3.8.8 程式语言 2个 0.24.1 Python机器学习工具 3 1.19.5 Python科学计算工具 4 1.2.2 Python中的数据分析和数据处理工具 5 3.3.4 用Python可视化 6 0.11.1 统计数据可视化 7 5.8.0 跨平台库，用于检索Python中正在运行的进程和系统利用率（CPU，内存，磁盘，网络，传感器）的信息 8 0.3.7 可视化库 9 -- 用于模型序列化的Python对象序列化 1.2。 下载并提取数据集 下载的较轻版本（存档大小-8.8 GB） 较轻的版本仅包含带标签的流，而没有pcaps文件 提取档案（大小-大约44 GB） 2.安装项目 克隆此仓库 安装缺少的库 打开config.py并

Naive Bayes算法

Logistic回归和朴素贝叶斯 在UCI机器学习数据集上实现了Logistic回归和朴素贝叶斯。 对于这两个模型，使用混淆矩阵评估了这些分类器。

用python实现的 朴素贝叶斯代码，参考资料是李航写的<>这本书

使用机器学习预测足球比赛结果：在Jupyter Notebook中使用机器学习算法进行足球比赛预测

基于网络的入侵检测系统：基于网络入侵检测系统的最后一年项目