%%二类协方差相等%

贝叶斯分类 二类协方差不相等 %%二类协方差不相等 %%二类协方差不相等

使用机器学习预测天气 使用多项式Lo​​gistic回归，决策树，朴素贝叶斯多项式和支持向量机进行天气预报 资料集 我们的数据集如下所示，是我们从收集的 我们拥有过去30年[1988-2017]的天气数据。训练和测试集分为两个部分，其中两个类别的数据分别占70％和30％。 参数： 天 月 年 湿度（％） 最高温度（单位⁰C） 最低温度（inC） 雨量（毫米） 海平面压力（以MB为单位） 阳光（小时） 风速（结） 云（在okta中） 训练和测试模型的准确性： 模型 训练准确率（％） 测试精度（％） 逻辑回归 74.2 76.9 决策树 76.8 74.05 多项式N

5.4主观Bayes方法 5.4.1 知识不确定性的表示 1. 知识表示方法 在主观Bayes方法中，知识是用产生式表示的，其形式为 IFETHEN(LS，LN) H 其中(LS，LN)用来表示该知识的知识强度，LS和LN的表示形式分别为 LS=P(E/H)/P(E/~H)  LN=P(~E/H) /P(~E/~H)=(1-P(E/H))/(1-P(E/~H)) LS和LN的取值范围均为［0，+∞］。 由Bayes公式可知 P(H/E)=P(E/H)×P(H)/P(E) P(~H/E)=P(E/~H)×P(~H)/P(E) 将两式相除，得 P(H/E)/P(~H/E)=P(E/H)/P(E/~H)×P(H)/P(~H) 

从贝叶斯方法谈到贝叶斯网络.pdf

贝叶斯动态因子模型（方法原理） 介绍了各参数和因子的后验分布，以及蒙特卡洛模拟的实现。

购买电脑实例：

态势评估与威胁估计的关键是充分利用较低层 次的信息融合数据，在较高层次上对战场态势和威胁 目标进行评估。战场态势评估重在对敌行为模式的表 示，而威胁估计重在根据敌方的破坏能力、机动能力 和行动意图，综合考虑敌我武器装备性能、我方作战 任务和防御抗毁能力等要素，对敌方兵力的企图和可 能造成的威胁进行推理判断。

特点 这是分类算法贝叶斯算法的较为简单的一种，整个贝叶斯分类算法的核心就是在求解贝叶斯方程Ｐ（ｙ｜ｘ）＝［Ｐ（ｘ｜ｙ）Ｐ（ｙ）］／Ｐ（ｘ） 而朴素贝叶斯算法就是在牺牲一定准确率的情况下强制特征ｘ满足独立条件，求解P（x|y）就更为方便了 但基本上现实生活中，没有任何关系的两个特征几乎是不存在的，故朴素贝叶斯不适合那些关系密切的特征 from collections import defaultdict import numpy as np from sklearn.datasets import load_iris from sklearn.model_selection imp

贝叶斯\贝叶斯统计推断+PDF.pdf，不错的电子书，200多页，才1分啊