本资源主要是实现了一个处理连续属性的朴素贝叶斯模型并在UCA上的葡萄酒数据集上进行了测评，另外源码中还包含了与数据集预处理、sklearn中的朴素贝叶斯的对比以及降维可视化等操作且注释详细，是一份完整的机器学习入门源码。

朴素贝叶斯分类算法的python实现，有需要的同学可以自取。如果积分涨得过高请联系我，我随时可以下调

用c++编写的朴素贝叶斯算法，包含零概率处理，数据已在程序中初始化

根据人名预测性别_基于多项式的朴素贝叶斯算法实现. 手工实现了一个基于贝叶斯算法的文本分类（二分类) 里面有两个案例，有一个案例有手工计算的过程，用于佐证算法实现的准确性的，另一个是一个小竞赛中的题目，用名字预测性别.

https://blog.csdn.net/bo_hai/article/details/108870754 文中用到的数据集

是一个使用贝叶斯建立背景模型的算法 是matlab文件 对于学习目标检测的人来说非常有用

《机器学习》算法实例-朴素贝叶斯算法-屏蔽社区留言板的侮辱言论 构建一个快速过滤器来屏蔽在线社区留言板上的侮辱性言论。如果某条留言使用了负面或者侮辱性的语言，那么就将该留言标识为内容不当。对此问题建立两个类别: 侮辱类和非侮辱类，使用 1 和 0 分别表示。 提取所有文档中的词条并进行去重 获取文档的所有类别 计算每个类别中的文档数目 对每篇训练文档: 对每个类别: 如果词条出现在文档中-->增加该词条的计数值（for循环或者矩阵相加） 增加所有词条的计数值（此类别下词条总数） 对每个类别: 对每个词条: 将该词条的数目除以总词条数目得到的条件概率（P(词条|类别)） 返回该文档属于每个类别的条件概率（P(类别|文档的所有词条)）

主要为大家详细介绍了python实现朴素贝叶斯分类器，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

MNIST和USPS手写数字识别算法: 朴素贝叶斯和随机森林 bayes-mnist : 多项式朴素贝叶斯和伯努利朴素贝叶斯解决MNIST数据集 bayes-usps : 多项式朴素贝叶斯和伯努利朴素贝叶斯解决USPS数据集 random-forest-mnist : 随机森林解决MNIST数据集 random-forest-usps : 随机森林解决USPS数据集

本系统实现了KNN、朴素贝叶斯和SVM三种分类算法下的文本分类自带训练集和测试集。