层次分析matlab代码贝叶斯流行 贝叶斯推断人口患病率。 该软件包包括用于实现贝叶斯流行度推断的Matlab,Python和R的代码,如下所述: 人口患病率的贝叶斯推断RAA Ince,JW Kay和PG Schyns biorxiv: 考虑在心理学或神经影像学实验中的每个参与者,或在电生理学实验中记录的每个单个单元上执行统计测试(具有常见的假阳性率α)。 经过此第一级分析,我们可以仅使用三个数字来计算总体中此类测试的阳性结果阳性率的贝叶斯估计:测试总数n ,其中k为阳性,假阳性率(alpha) a 。 这些数字可以直接在函数调用中指定,也可以从表示在第一级应用各个测试的结果的变量中获取。 example_csv脚本提供了一个示例,该示例加载此第一级参与者内部有效数据并应用第二级患病率函数。 bayesprev_example.{m,R,py}在分层正态模型下模拟数据,在第一级上对每个参与者内的零进行t检验,在第二级上应用贝叶斯流行率推断。 用户可以调整此示例以加载自己的原始数据,将t检验替换为任何其他参与参与者的统计检验,或者直接加载指标变量的重要性并应用第二级检验(另请参见exa
2022-05-14 19:03:36 7.28MB 系统开源
1
通过确定身高和体重的先验概率,使用贝叶斯分类方法,将样本中的男女分辨出来,正确率超过90%
2022-05-13 22:31:41 2KB Bayes
1
贝叶斯算法图像分类matlab代码MRF-HSRM /高光谱图像的光谱空间分类 该存储库包含该论文的Matlab代码: 提示:为了使此代码正常工作,您需要从中下载“ Salinas.mat”文件,并将其放入Data文件夹中。 如果您使用此存储库中的相应代码作为已发布的研究项目的一部分,请引用以下论文。 MRF_HSRM: M. Golipour,H。Ghassemian和F. Mirzapour,“在贝叶斯框架中将分层分割图与MRF集成在一起以对高光谱图像进行分类”,IEEE Trans。 在Geosci上。 遥感,Agu.2015。 SRM: R. Nock和F. Nielsen,“统计区域合并”,IEEE Trans。 图案肛门。 马赫智力,卷。 26号11,第1452至1458页,2004年11月。 支持向量机: 抄送Chang和C.-J. Lin,“ LIBSVM:支持向量机的库”,ACM Trans。 智力Syst。 技术,卷。 2,没有3,第2011年4月27日。 MLRsub: J. Li,JM Bioucas-Dias和A. Plaza,“使用子空间多项式Lo​​gis
2022-05-11 23:16:41 809KB 系统开源
1
使用sklearn库实现朴素贝叶斯算法。使用词向量算法对文本数据进行处理。 资源内容包括: 1、完整的用于实现新闻分类任务的源码文件(ipynb格式) 2、哈工大停用词表 3、四川大学机器智能实验室停用词表 4、用于测试的新闻数据 贝叶斯定理由英国数学家贝叶斯(Thomas Bayes 1702-1761)发展 用来描述两个条件概率之间的关系 在B条件下A发生的概率: P(A∣B)=P(AB)/P(B) 在A条件下B发生的概率: P(B∣A)=P(AB)/P(A) 则:P(A∣B)P(B) = P(B∣A)P(A) 可导出:P(A∣B)=P(B∣A)P(A)/P(B) 或 P(A∣B) P(B) = P(B∣A)P(A) 贝叶斯公式: P(Y|X)=P(X|Y)P(Y) / P(X) 在机器学习中: X:代表特征向量 Y:代表类别 P(X):先验概率,是指根据以往经验和分析得到的概率。 P(Y|X):后验概率,事情已经发生,这件事情发生的原因是由某个因素引起的可能性的大小 P(X|Y):条件概率,在已知某类别的特征空间中,出现特征值X的概率
2022-05-11 17:06:15 9.82MB 算法 分类 人工智能 机器学习
dbn模型matlab代码BNT-SM 用于学生建模的贝叶斯网络工具箱(BNT-SM)旨在促进在学生建模社区中使用动态贝叶斯网络。 BNT-SM输入一个数据集和一个由研究人员假设的贝叶斯网络模型的紧凑XML规范,以描述学生知识和观察到的行为之间的因果关系。 BNT-SM使用贝叶斯网络工具箱生成并执行代码以训练和测试模型。 BNT-SM使研究人员可以轻松地探索关于学生模型中知识表示的不同假设。 例如,通过改变贝叶斯网络的图形结构,我们研究了补习干预如何影响学生的知识状态-干预是可能脚手架还是可以帮助学生学习。 主页 安装 BNT-SM2.0.zip可以在“下载”下下载。 它是在Matlab中实现的,因此您需要安装并运行Matlab。 典型用法示例 下载并解压缩BNT-SM后,启动Matlab并执行 >> cd src >> setup >> cd ../model/kt >> [property evidence hash_bnet] = RunBnet('property.xml'); Property.xml是一个XML文件,用于指定我们正在构建的贝叶斯网络。 在目录BNT-SM /
2022-05-11 12:33:17 6.35MB 系统开源
1
CNO-SBL 论文题为“基于协作神经动力学优化的稀疏贝叶斯学习”的源代码
2022-05-11 09:04:29 2.67MB 代码
实验介绍 1.实验内容 本实验包括: 基于朴素贝叶斯算法的言论过滤器 基于朴素贝叶斯算法实现垃圾邮件过滤 2.实验目标 通过本实验掌握朴素贝叶斯算法原理,熟悉朴素贝叶斯算法的简单应用。 【言论过滤器】 实验步骤:【言论过滤器】- 概述 以在线社区留言为例。为了不影响社区的发展,我们要屏蔽侮辱性的言论,所以要构建一个快速过滤器,如果某条留言使用了负面或者侮辱性的语言,那么就将该留言标志为内容不当。过滤这类内容是一个很常见的需求。对此问题建立两个类型:侮辱类和非侮辱类,使用1和0分别表示。
2022-05-10 10:02:50 70KB 机器学习 人工智能
1
贝叶斯网络上的信念传播 这是一个在贝叶斯网络 (BN) 上运行循环信念传播的程序,并为网络上的每个节点生成边缘化概率。 算法细节参考 ,随着使用bethe聚类图而不是BN的纯因子图的变化。 输入格式应为 用法 $ python bp < .bif file path > [-o output file] [-t threshold] Options: -o, --output output file name, default to ' result.txt ' -t, --threshold threshold for convergence default to 1e-10 致谢 BIF 解析器由提供。 项目中的代码用于华盛顿大学的作业 3。
2022-05-09 21:34:42 12KB Python
1
基于朴素贝叶斯分类的垃圾词检测 语言go python go get -u 的方式进行安装 EXPLAINATION config.json 服务运行配置文件 SOCK_FILE: 服务以Unix Domain Socket 方式运行的时候sock文件的存放位置 WORKSPACE: 代码根目录,spamcheck.go文件的位置 CLASSES: 分类类别,至少2个。每个分类需要有对应的先验概率词典文件,示例:分类为adwords,则同级目录下需要有adwords.txt,字典越大,服务的分类结果越准确。 DICTIONARYFILE:sego库分类字典,需要手动指定,文件路径为绝对路径;分词准确度可以通过自定义字典进行替换。 SOCKET_BUFFER_SIZE:服务以Unix Domain Socket的方式运行的时候,缓冲区大小,可以根据数据量的大小进行调试。 spamcheck.go: 垃圾词检测主文件 README.md:服务介绍文件 requirements.txt: 项目依赖第三方库列表 *.txt: 根据config.json 中CLASSES 指定的
2022-05-09 11:04:31 7KB 数据挖掘 人工智能 机器学习 go
题目:有两碗曲奇,碗A有30个香草曲奇和10个巧克力曲奇,碗B两种曲奇各20个。取到香草曲奇,从A中拿到的概率。(jupyter notebook实现,贝叶斯定理题目编程实战)
2022-05-09 09:07:53 193KB jupyter 文档资料 ide python
1
服务器状态检查中...