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

IsingFit 该网络估计程序eLasso基于Ising模型，将l1正则逻辑回归与基于扩展贝叶斯信息准则（EBIC）的模型选择相结合。 EBIC是一种适合的度量，用于识别变量之间的相关关系。 生成的网络由变量（作为节点）和相关关系（作为边）组成。 可以处理二进制数据。

基于粗糙集理论和贝叶斯网络的电力变压器故障诊断方法

朴素贝叶斯算法实战 email邮件数据集，SogouC新闻数据集 Email_NB.py垃圾邮件过滤实现（Python3实现） Naive_Bay.py 朴素贝叶斯算法实现（Python3实现） 样本比较小，成功率大概为90% import numpy as np from functools import reduce """ 函数说明:创建实验样本 Parameters: 无 Returns: postingList - 实验样本切分的词条 classVec - 类别标签向量 """ def loadDataSet(): postingList=[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'], #切分的词条 ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'], ['my', 'dalmation', 'is', 'so',

本文在MATLAB平台上对最小错误率贝叶斯决策和最小风险贝叶斯决策进行测试，比较和分析了实验结果。

基于朴素贝叶斯的垃圾邮件分类系统，详见我的主页博客，有详细介绍，内容很全，经过测试，直接就能跑

基于朴素贝叶斯的分类方法研究 课程设计 毕业设计