项目简介 用搭载Keras的tensorflow框架通过卷积神经网络训练模型，使用贝叶斯分类器识别人类的情绪。 根据情绪选择相应的emoji匹配 （更多详情请打开FaceEmotionClassifier.ipynb文件） 项目环境 数据集： Fer2013 ( kaggle挑战赛 ) ，Emoji表情集 神经网络框架： Keras,Tensorflow-gpu 分类器： 基于Opencv-Normal Bayes Classifier(正态贝叶斯分类)训练的贝叶斯分类器 配置环境： python==3.6.0 tensorflow-gpu==1.8.0 keras-gpu==2.1.6 opencv==3.3.1 其他环境详见：environment.yaml

头歌模式识别第二次实验 第1关：朴素贝叶斯分类算法流程

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

四个机器学习实验，主要涉及简单的线性回归、朴素贝叶斯分类器、支持向量机、CNN做文本分类，内附实验指导书、讲解PPT、参考代码 1、实验讲解PPT 4份 实验一 线性回归模型实验指导 实验二 支持向量机模型实验指导 实验三 贝叶斯分类解决西瓜问题 实验四 基于tensorflow实现CNN文本分类 2、实验指导书 4份 实验一 线性回归实验指导书 实验二 支持向量机实验指导书 实验三 贝叶斯分类实验指导书 实验四 基于tensorflow实现cnn文本处理实验指导书 3、实验参考代码 4份 实验一 LinearRegression 实验二 SVM 实验三 bayes_classify_demo 实验四 cnn-text-classification-tf

朴素贝叶斯数字分类器 基于平均像素亮度和标准偏差的手写数字0或1的朴素贝叶斯分类器 2020年9月 ASU MCS计划课程CSE 575的项目1-统计机器学习 使用的技术： Python，Numpy，Scipy

朴素贝叶斯分类器不能有效地利用属性之间的依赖信息, 而目前所进行的依赖扩展更强调效率, 使扩展后分类器的分类准确性还有待提高. 针对以上问题, 在使用具有平滑参数的高斯核函数估计属性密度的基础上, 结合分类器的分类准确性标准和属性父结点的贪婪选择, 进行朴素贝叶斯分类器的网络依赖扩展. 使用UCI 中的连续属性分类数据进行实验, 结果显示网络依赖扩展后的分类器具有良好的分类准确性.

一个简单自己写的朴素贝叶斯分类器

针对朴素贝叶斯分类算法中缺失数据填补问题，提出一种基于改进EM（Expectation Maximization）算法的朴素贝叶斯分 类算法。实验结果表明，改进算法具有较高的分类准确度。并将改进的算法应 用于高校教师岗位等级的评定

该文档为朴素贝叶斯分类算法的实现步骤，包括源码注解和详细步骤

基于朴素贝叶斯分类器的文本分类算法(C语言)