找到一个SVM.CPP，直接拿来用的，根据男女身高体重数据，采用SVM进行分类。再用测试集对分类结果进行测试，并显示正确率

身高、体重两特征，在单特征身高、单特征体重、双特征不相关、双特征相关四种情况下，基于最小错误率和最小风险，共计24个分类器。

通过学习该程序可以掌握servlet的执行过程，掌握el表达式的用法

儿童成长过程需要用到的常用工具。包含bmi计算工具，标准身高体重表，推荐睡眠时长表，记录儿童成长过程，查看成长曲线等。

滑动选择身高体重

利用100个男女训练集样本，使用贝叶斯分类器判别男女。1.采用最大似然法和贝叶斯估计的方法获得密度函数，设定不同的先验概率，观察判别结果正确率。2.分别在男女相关不相关的情况下分析结果正确率。3.设定不同的风险，采用最小风险的Bayes决策重复上面实验。

上位机通讯采用蓝牙模块无线透传；超声波测身高；压力传感器&24位AD转换HX711测体重；压力流量计&32内核自带12位AD数模转换测肺活量；LCD触摸屏&flash&sd实现人机交互；rc522模块读取/修改射频卡信息；每个部分均有头文件和源文件，存于user文件夹下；建议以此为参考，逐模块修改调试。

模式识别中贝叶斯算法判别身高体重 matlab实现 1）应用单个特征进行实验：以（a）身高或者（b）体重数据作为特征，在正态分布假设下利用最大似然法或者贝叶斯估计法估计分布密度参数，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到测试样本，考察测试错误情况。在分类器设计时可以考察采用不同先验概率（如0.5对0.5, 0.75对0.25, 0.9对0.1等）进行实验，考察对决策规则和错误率的影响。 2）应用两个特征进行实验：同时采用身高和体重数据作为特征，分别假设二者相关或不相关，在正态分布假设下估计概率密度，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到训练/测试样本，考察训练/测试错误情况。比较相关假设和不相关假设下结果的差异。在分类器设计时可以考察采用不同先验概率（如0.5 vs. 0.5, 0.75 vs. 0.25, 0.9 vs. 0.1等）进行实验，考察对决策和错误率的影响。 3）自行给出一个决策表，采用最小风险的Bayes决策重复上面的某个或全部实验。

其中女生类别标号为0，男生类别标号为1，数据集为dataset1.txt，dataset2.txt，dataset3.txt，第一列为身高，第二列为体重，第三列为类别标号