Dragonfly是一个用于可扩展贝叶斯优化的开源python库 Dragonfly 是一个用于可扩展贝叶斯优化的开源 Python 库。 贝叶斯优化用于优化评估通常很昂贵的黑盒函数。 除了普通的优化技术，Dragonfly 还提供了一系列工具来将贝叶斯优化扩展到昂贵的大规模问题。 其中包括特别适合高维优化（针对大量变量进行优化）、同步或异步设置中的并行评估（并行进行多个评估）、多保真优化（使用廉价的近似值来加速优化过程）和多目标优化（同时优化多个功能）。 Dragonfly 兼容 Python2 (>= 2.7) 和 Python3 (>= 3.5)，并已在 Linux、macOS 和 Windows 平台上进行测试。 有关文档、安装和入门指南，请参阅我们的 readthedocs 页面。 有关更多详细信息，请参阅我们的论文。 安装 有关安装 Dragonfly 及其依赖项的详细说明，请参见此处。 快速安装：如果你以前做过这种事情，你应该可以通过pip安装Dragonfly。 $ sudo apt-get install python-dev pytho

兰切斯特 数据集和源代码，用于应用近似贝叶斯计算来评估兰切斯特的作战法则 数据 每个csv文件都包含4个期间之一的战斗 代码 lanchester.py包含四个已检查模型的实现和一些实用程序类。 example.py是模拟的示例。 在第一阶段输出2个模型的仿真 abc.py使用拒绝算法实现ABC。 有关更多信息，请键入“ ./abc.py --help”

【Matlab仿真】基于贝叶斯准则和最小平均错误概率准则的二元信号检测及性能分析，通过观察检测概率和虚警概率随着检测门限的变化而变化

朴素贝叶斯分类算法_商品多分类_数据集

贝叶斯变化检测 基于贝叶斯模型的变化检测模块实现了一种递归算法，用于分割实值输入-输出数据序列。 段边界的选择假设在每个段内，输入-输出数据遵循多元线性模型。 线性模型的参数（即系数矩阵和噪声协方差矩阵）被视为随机变量，从而产生完全贝叶斯模型。 序列分割通过递归更新一组分割假设来在线进行。 给定到目前为止的所有数据，每个假设都捕获关于当前段长度的特定信念。 每次新的输入输出数据到达时，都会更新假设以反映这些知识。 每个更新步骤的计算成本通过近似值保持不变。 计算成本和近似质量之间的折衷可以通过调整参数来控制。 安装 可以使用pip安装此模块。 要从命令行下载并安装此模块，请在控制台中键入以下命令： git clone git@github.com:gabrieag/bayesian-change-detection.git cd bayesian-change-detection s

研究了贝叶斯神经网络的建模预测问题,通过融入模型参数的先验知识,在给定数据样本 及模型假设下进行后验概率的贝叶斯推理

这是native bayes朴素贝叶斯的python代码实现，代码中有注释，并且有数据集，方便阅读和理解，刚涉及机器学习想要自己做实验的可以下载看看。

基于朴素贝叶斯的手写数字识别，code中包含data，中间利用了PCA降维方法，识别精度达到95.42%

贝叶斯分类的基本过程 朴素贝叶斯分类 贝叶斯信念网络

基于朴素贝叶斯分类器的简单手写体数字识别 .