尾花数据集是入门的经典数据集。Iris数据集是常用的分类实验数据集，由Fisher, 1936收集整理。Iris也称鸢尾花卉数据集，是一类多重变量分析的数据集。在三个类别中，其中有一个类别和其他两个类别是线性可分的。假设鸢尾花数据集的各个类别是服从正态分布的，尝试利用贝叶斯决策论的原理， 1. 设计贝叶斯分类器； 2. 设计基于最近邻准则的分类器。 资源包括代码实现和课程报告--Bayes和KNN分类器实现鸢尾花数据集分类 源码实现包括手撕贝叶斯和KNN以及使用工具包实现 课程报告主要包括以下部分： 一、 问题描述 二、 数据预处理 （1）划分数据集 （2）数据可视化 三、 模型基本原理 （1）朴素贝叶斯算法原理 （2）KNN算法原理 四、 贝叶斯分类器设计 （1）算法过程 （2）结果输出 五、 KNN分类器设计 （1）算法过程 （2）结果输出 六、 利用工具包进行设计 （1）贝叶斯分类器 （2）KNN分类器

基于LSTM长短期记忆网络的数据分类预测（Matlab完整程序和数据） 基于LSTM长短期记忆网络的数据分类预测（Matlab完整程序和数据） 基于LSTM长短期记忆网络的数据分类预测（Matlab完整程序和数据） 运行环境Matlab2018b及以上。

软件代码安全问题分类原则_张建武

天真贝叶斯垃圾邮件检测器 使用Scikit学习机器学习库将电子邮件分类为垃圾邮件或非垃圾邮件的Python程序。 先决条件 该程序是用Python 3编写的，并使用了Numpy，Pandas和Scikit-learn库。 数据集 该程序利用以csv格式存储的两个数据集。 主要数据集“垃圾邮件或非垃圾邮件”。 该集合是文件'20030228easyham.tar.bz2'和'20030228_spam.tar.bz2'的组合。 这组包含2500个火腿电子邮件示例和500个垃圾电子邮件示例。 该集合包含两列：电子邮件和标签。 电子邮件列中的元素是带有数字值和url的文本字符串，分别用单词“ NUMBER”和“ URL”替换。 标签列中的元素可以具有两个可能的值：如果电子邮件是非垃圾邮件，则为0；如果电子邮件是垃圾邮件，则为1。 辅助数据集包含伪造数据。 此集合遵循主要集合的样式； 两列用于

电子产品设计与制作

BP神经网络的数据分类-语音特征信号分类源程序-*BP神经网络的数据分类-语音特征信号分类源程序*-*BP神经网络的数据分类-语音特征信号分类源程序*

使用ResNet对图像进行分类，该代码只需更改分类数和图像路径即可运行，需提前下载ResNet官方训练结果的文件。

简单的TXT格式的iris数据集分类，基于matlab软件进行。且只限于前三个属性的简单分类，并非万用分类代码。

简街市场预测 作者：刘增丰，崔贤ji，郑家杰 在此项目中，目标是根据市场价格从130点的时间序列中预测市场份额的未来回报值。 该数据集是从竞赛中获得的。 以下是实现这些目标的一些可能步骤： 去噪 滚动平均值 使用小波变换的阈值 使用的机器学习模型： 决策树（CART） 线性回归 k最近邻居 人工神经网络 卷积神经网络

为了提高图像分类准确率，提出了一种基于低秩表示的非负张量分解算法。作为压缩感知理论的推广和发展，低秩表示将矩阵的秩作为一种稀疏测度，由于矩阵的秩反映了矩阵的固有特性，所以低秩表示能有效地分析和处理矩阵数据，把低秩表示引入到张量模型中，即引入到非负张量分解算法中，进一步扩展非负张量分解算法。实验结果表明，所提算法与其他相关算法相比，分类结果较好。