数据挖掘实验，写完决策树之后写的，要简单很多，可以动态输入决策项进行决策，附有实验报告,如有学弟学妹引用的话，需谨慎，可参考~

BayHunter v2.1 BayHunter是一个开源Python工具，用于执行表面波色散和/或接收器功能的McMC多维贝叶斯反演。 该算法遵循数据驱动策略，并针对速度-深度结构，层数，Vp / Vs比和噪声参数（即数据噪声相关性和幅度）进行求解。 包装内提供了正向建模代码，但可以轻松地用自己的代码替换。 也可以添加（完全不同的）数据集。 BayWatch模块可用于在运行时实时进行反转：这使您很容易看到每个链如何探索参数空间，数据如何拟合和模型如何变化以及反转的方向。 引文 詹妮弗·德瑞琳（Dreiling） Tilmann，Frederik（2019）：BayHunter-接收机功能的McMC多维贝叶斯反演和面波频散。 GFZ数据服务。 应用实例 Dreiling等。 （2020年）：斯里兰卡的地壳结构，是通过使用贝叶斯方法对地表波色散和接收器函数进行联合反演而得出的。 地球物

基于故障树和贝叶斯网络的发动机可靠性预计 在故障树基础上提出贝叶斯网络，并以“发动机不能正常点火”故障演示贝叶斯推理过程。通过可靠性数据库系统计算故障树中故障概率，采用贝叶斯网络建模方法，用连接树的形式表述故障树中不同层级事件之间的关系，完成由故障树向贝叶斯网络的转化。通过开发的界面得出建立的贝叶斯网络模型，并着重找出不同子系统中零部件故障的关联关系，并以油底壳故障可以导致两个子系统故障为实例计算联合概率分布，用于指导可靠性预计的大致范围。

本文介绍了R包bayesGARCH，它为使用Student-t创新的简约但有效的GARCH（1,1）模型提供了贝叶斯估计功能。 估计过程是全自动的，因此避免了调整采样算法的耗时且困难的任务。 在经验应用程序中显示了包的用法以交换汇率对数收益。

（信号处理2020） 红外和可见光图像的贝叶斯融合

独立成分分析算法降低原始数据噪声，包括主成分分析、因子分析、贝叶斯分析，通过虚拟阵元进行DOA估计。

OSIC肺纤维化竞赛（贝叶斯模型） 介绍 OSIC肺纤维化进展竞赛是一项Kaggle竞赛，您需要完成预测FVC（强制肺活量）的任务，FVC与下一个146周的强制呼气量（FEV）测试中呼出的空气总量有关。 您将获得CT扫描图像，以了解过去几周的第一次相遇，元数据和信息。 方法 CT扫描处理 我们确定一个遮罩，以区分图像中的其他实体和肺部。 我用两种方法做到这一点：1）简单的像素阈值区分和2）KMeans聚类。 应用了进一步的图像处理（例如腐蚀和膨胀）以进一步区分这两个区域。 然后将识别出的蒙版应用于原始图像，以获得孤立的肺部图像。 这些操作的结果如下所示： 隔离肺部后，从生成的图像中确定像素统计信息，以用作后续模型中的特征。 确定了诸如均值，方差，偏斜和峰度之类的统计信息。 贝叶斯建模 使用马尔可夫链蒙特卡洛（MCMC）采样方法和变分推断来估计模型的参数。 生成模型是分层的，这意味着信息

bayestestR：用于分析贝叶斯模型和后验分布的实用工具

用Python进行贝叶斯分析 这是Packt发布的的代码库。 它包含从头到尾完成本书所必需的所有支持项目文件。 请点击此获取经过测试可与最新版本的PyMC3一起运行的代码的更新版本。 说明和导航 所有代码都组织在文件夹中。 每个文件夹均以数字开头，后跟章节名称。 本书是针对Python版本> = 3.5编写的，建议您使用当前可用的最新版本的Python 3，尽管大多数代码示例也可能适用于旧版本的Python，包括较小的Python 2.7调整。 也许安装Python和Python库的最简单方法是使用科学计算发行版Anaconda。 您可以阅读有关Anaconda的更多信息，并下载。 将Anaconda放入我们的系统后，我们可以使用以下命令安装新的Python软件包： conda install NamePackage 我们将使用以下python软件包： IPython的5.0

构建贝叶斯网络。