算法研究 凑空写了个NBC 朴素贝叶斯分类器 希望对大家有用

代码：Java语言 算法：朴素贝叶斯分类器（中文）适用于情感分析 涉及：条件概率，先验概率计算，中文分词器，停用词处理

伯努利朴素贝叶斯分类器主要用于文本分类，下面我们以一个具体的例子，来讲述下伯努利朴素贝叶斯的原理和实现逻辑。 具体例子： 已知我们有八个句子以及每个句子对应的类别，即中性或侮辱性。那么再给出一个句子，我们来判断该句子是中性还是侮辱性，即计算该句子是中性的概率大还是侮辱性的概率大，概率大的类别即为我们判断的类别。 首先要把句子进行处理，即把句子分解成拥有多个单词的单词组，句子对应的单词组以及类别如下所示： def loadDataSet(): postingList = [['my', 'dog', 'has', 'flea', 'problems', 'help', 'please']

分类器 描述 这是一个简单的应用程序，它利用朴素贝叶斯分类器进行性别预测。 用法 要使用该应用程序，首先git clone存储库到您的本地机器，然后 cd 到应用程序目录。 进入目录后，安装所有必需的 gem 并创建数据库： $ bundle install; rake db:migrate; 为确保所有测试通过： $ rake test 要验证所有示例： $ bundle exec rspec 启动 Rails 服务器： $ rails s 如果数据库尚未使用训练数据进行播种，请cd到应用程序根目录并运行： $ rake training_data:import[data/training.json] 并导航到http://localhost:3000 。 要添加新人员以训练分类器，请单击添加新人员以训练分类器。 一旦添加了至少一名男性和一名女性，性别预测就会解

贝叶斯分类的有关文件所谓贝叶斯公式，是指当分析样本大到接近总体数时，样本中事件发生的概率将接近于总体中事件发生的概率。但行为经济学家发现，人们在决策过程中往往并不遵循贝叶斯规律，而是给予最近发生的事件和最新的经验以更多的权值，在决策和做出判断时过分看重近期的事件。面对复杂而笼统的问题，人们往往走捷径，依据可能性而非根据概率来决策。这种对经典模型的系统性偏离称为“偏差”。由于心理偏差的存在，投资者在决策判断时并非绝对理性，会行为偏差，进而影响资本市场上价格的变动。但长期以来，由于缺乏有力的替代工具，经济学家不得不在分析中坚持贝叶斯法则

本文用的是sciki-learn库的iris数据集进行测试。用的模型也是最简单的，就是用贝叶斯定理P(A|B) = P(B|A)*P(A)/P(B)，计算每个类别在样本中概率（代码中是pLabel变量） 以及每个类下每个特征的概率（代码中是pNum变量）。 写得比较粗糙，对于某个类下没有此特征的情况采用p=1/样本数量。 有什么错误有人发现麻烦提出，谢谢。 [python] view plain copy # -*- coding:utf-8 -*- from numpy import * from sklearn import datasets import numpy as np cl

朴素贝叶斯分类器 MATLAB 源代码，里面含有使用实例，用的是 UCI 的 mushroom 数据集。 分类器详细介绍见： http://blog.csdn.net/yunduanmuxue/article/details/39693917

Python+jieba分词库+nltk+sklearn

对刚学习人工智能的萌新可能有些帮助

多语言 程序语言专家。 它用于检测程序语言，就像，但基于朴素贝叶斯分类器。 入门 使用pip安装 pip install git+https://github.com/polyrabbit/polyglot 首先，我们需要在多语言训练语料库上训练多语言，语料库中的每个文件夹都应该包含名称由文件夹标识的相同语言的文件。 例如 polyglot train --corpus=./corpus --ngram=3 --verbose --output=./model.json 使用上述命令生成预先包含的 。 运行polyglot train --help以了解使用细节。 训练后，我们可以使用朴素贝叶斯分类器对给定文件进行分类。 例如 echo import os | polyglot classify --ngram=3 --top=3 --verbose --model=./mode