证明题，编程题（代码+分析总结）。两类问题判别规则。在许多模式分类问题中，可以将某个模式分到 类中某一类，也可以由于其不可分性而拒绝将其分到任何类别。两类分类问题的极小化极大准则。最小概率误差。推导最大熵分布的一般方程。陈述贝叶斯判决边界不“经过”两个均值之间的条件。代码：大量独立的随机变量的平均将近似为一高斯分布。产生100个点（50个一类的点，50个二类的点），并计算经验误差。

功能1. NaiveBayes.predict(_) 2. NaiveBayes.find（_） 描述1.返回一个或多个测试实例的估计标签以及估计的准确性。 2. 以降序返回具有各自概率的标签。 使用鸢尾花数据集的示例 加载fisheriris X = 测量值； Y = 物种； Xnew = [min(X);mean(X);max(X)]; mdl = NaiveBayes('gaussian'); mdl = mdl.fit(X,Y) Ypred = mdl.predict(Xnew) Ypred = 'setosa' '杂色' '弗吉尼亚' Ynew = {'versicolor';'versicolor';'virginica'}; 准确率=accuracy_score（Ypred，Ynew） 精度= 0.6667 查看脚本文件中描述的更多示例。

贝叶斯动态模型及其预测。 介绍贝叶斯的一些概念和用法。

实现基于贝叶斯框架的目标检测技术研究，创建了GUI界面，实现了时间差分法、背景减除法、光流法、高斯背景建模算法等多种算法处理效果对比，还实现了灰度处理、二值化等多种图像处理功能

使用matlab实现贝叶斯向量自回归模型，可用于经济学中的预测

传统数据挖掘分类算法在不平衡数据集上分类效果不佳,可以将代价敏感思想与传统分类算法相结合解决不平衡数据分类问题.但在代价敏感学习中,代价的确定需要足够的先验知识,难以把握.针对上述不足,构造针对不平衡数据分布的自适应代价函数,引进全局代价矩阵,对传统的朴素贝叶斯分类算法进行改进.在UCI数据集上的实验结果表明,提出的基于代价敏感的朴素贝叶斯分类算法对于不平衡数据分类是有效可行的.

在matlab环境下对贝叶斯网络的结构进行学习 预测推理 进行分类

机器学习实战(第四章-朴素贝叶斯-所有代码与详细注解及相关数据文件-python3.7) 机器学习实战(第四章-朴素贝叶斯-所有代码与详细注解及相关数据文件-python3.7)

“学海拾珠”系列之七十二：贝叶斯动态面板模型下的基金业绩持续性.pdf

介绍了贝叶斯潜在动态因子的模型估计方法，写出了参数和因子的具体后验分布以及吉布斯抽样的原理。