朴素贝叶斯matlab源码 ImageProcessing ###项目意义与目的 看过很多有关模式识别,数据挖掘,机器学习的书,也研究过分类,聚类很多算法,朴素贝叶斯,knn,神经网络,支持向量机,但是都没有真正的实践过. 理论和实践是有差距的.所以需要动手实践. 以前的各种实践,受限于数据来源,不得不按照某种分布产生一些随机数,失去了锻炼数据挖掘中特征选择和生成的乐趣. 现实中我们拿不到电商网站的销售数据,跟踪不了用户的访问历史,就连抓微博数据都有诸多限制.唾手可得的似乎只有图片和文字了. 图片处理应该是比较成熟的一个领域,有着大量的资料可供参考.所以我想拿图片处理来练手. 本项目中我们主要选取人脸识别和图片搜索两个方向. 人脸识别,给出一张照片,给出可能是人脸的部分. 图片搜索,需要在人脸识别完成的基础上进行,给出一张照片,识别出人脸,找出照片库中其他含有该人脸的照片. 采用matlab来验证算法的可行性,视进展决定是否用其他语言来实现. ###项目计划 暂定计划如下 11.6-11.24:学习已有材料,知识储备 11.25-12.8:完成人脸识别部分功能 12.9-12.31:完

贝叶斯方法在基于风险的检验中的应用

朴素贝叶斯价格预测

非常强大的matlab编程实现贝叶斯程序，可直接使用，模式识别

本文介绍了贝叶斯网络在 Matlab 中的应用，以及参数学习的实验。实验中使用了“草地潮湿原因模型”，首先建立了贝叶斯网络并手动构造了条件概率表，然后使用 BNT 中的函数进行样本生成和参数学习。该实验展示了贝叶斯网络在实际问题中的应用价值。

该文档详细讲述了贝叶斯网工具箱的使用，利于贝叶斯网初学者！

为进一步提高个性化标签推荐性能，针对标签数据的稀疏性以及传统方法忽略隐藏在用户和项目上下文中潜在标签的缺陷，提出一种基于潜在标签挖掘和细粒度偏好的个性化标签推荐方法。首先，提出利用用户和项目的上下文信息从大量未观测标签中挖掘用户可能感兴趣的少量潜在标签，将标签重新划分为正类标签、潜在标签和负类标签三类，进而构建〈用户，项目〉对标签的细粒度偏好关系，在缓解标签稀疏性的同时，提高对标签偏好关系的表达能力；然后，基于贝叶斯个性化排序优化框架对细粒度偏好关系进行建模，并结合成对交互张量分解对偏好值进行预测，构建细粒度的个性化标签推荐模型并提出优化算法。对比实验表明，提出的方法在保证较快收敛速度的前提下，有效地提高了个性化标签的推荐准确性。

朴素贝叶斯分类器，包含源代码，IRIS数据集，实测有效

贝叶斯网络可视化工具genie_academic最新版，具有参数学习、结构学习等功能。学术版，请勿用于商业用途。

朴素贝叶斯垃圾邮件代码。朴素贝叶斯垃圾邮件代码。朴素贝叶斯垃圾邮件代码