朴素贝叶斯数字分类器 基于平均像素亮度和标准偏差的手写数字0或1的朴素贝叶斯分类器 2020年9月 ASU MCS计划课程CSE 575的项目1-统计机器学习 使用的技术： Python，Numpy，Scipy

朴素贝叶斯分类器不能有效地利用属性之间的依赖信息, 而目前所进行的依赖扩展更强调效率, 使扩展后分类器的分类准确性还有待提高. 针对以上问题, 在使用具有平滑参数的高斯核函数估计属性密度的基础上, 结合分类器的分类准确性标准和属性父结点的贪婪选择, 进行朴素贝叶斯分类器的网络依赖扩展. 使用UCI 中的连续属性分类数据进行实验, 结果显示网络依赖扩展后的分类器具有良好的分类准确性.

研一机器学习作业，贝叶斯分类器

一个简单自己写的朴素贝叶斯分类器

对于numeric类型的数据，基本贝叶斯分类算法并不能直接应用。对于需要分类的数据，首先按照信息熵进行离散化后。之后对于处理过后的数据，使用基本贝叶斯分类算法进行训练和分类。

机器学习数学模型：贝叶斯信念网，贝叶斯朴素分类器 里面包含上课时的PPT，PDF文档

这是模式分类中的课程代码，其中包含所有的模式分类算法的实现实验，程序时用matlab写的，代码质量较高，对学习模式分类 模式识别、机器学习的同学有很重要的参考价值，本程序实现的算法为：贝叶斯估计 编程实现一个可以对两类模式样本进行分类的贝叶斯分类器，假设两个模式类的分布均为高 斯分布。模式类1 的均值矢量m1 = (1, 3)t，协方差矩阵为S1 =(1.5, 0; 0, 1)，模式类2 的 均值矢量m2 = (3,1)t，协方差矩阵为S2 =(1, 0.5; 0.5, 2)，先验概率 P1 = P2 = 1/2。 (a) 利用proj01-01 中的函数为每个模式类各生成50 个随机样本，并在一幅图中画出这些样本 的二维散点图； (b) 仅用模式集合的第1 个特征分量作为分类特征，对(a)中的100 个样本进行分类，统计正确 分类的百分比，并在2 维图上用不同的颜色画出正确分类和错分的样本； (c) 仅用模式的第2 个特征分量作为分类特征，对(a)中的100 个样本进行分类，统计正确分类 的百分比，并在2 维图上用不同的颜色画出正确分类和错分的样本； (d) 同时用模式的2 个分量作为分类特征，对(a)中的100 个样本进行分类，统计正确分类的百 分比，并在2 维图上用不同的颜色画出正确分类和错分的样本； (e) 对上述实验结果进行分析说明。

基于朴素贝叶斯分类器的文本分类算法(C语言)

介绍贝叶斯网络和贝叶斯分类器的ppt

Spring-Boot-Neo4j-Movies Spring-Boot集成Neo4j结合Spark的朴素贝叶斯分类器实现基于电影知识图谱的智能问答系统 博客地址： 项目博客地址： 升级Spark依赖，由原来的2.3升级到2.4，GitHub官方提醒> = 1.0.0，<= 2.3.2之间的版本容易受到攻击 spark2.4 == >scala2.11 and scala2.12 <!-- https://mvnrepository.com/artifact/org.apache.spark/spark-core --> org.apache.spark spark-core_2.12 2.4.0 <