用C实现的朴素贝叶斯的算法实现，对于数据挖掘的贝叶斯算法的理解有一定的帮助

这是一个 C++ 的朴素贝叶斯文本分类器库，可以对文本中的垃圾邮件、基因、情感类型进行分类。 自 1950 年代以来，朴素贝叶斯已被广泛研究。 它在 1960 年代初期以不同的名称引入文本检索社区，并且仍然是文本分类的流行（基线）方法，判断文档属于一个类别或另一个类别的问题（例如垃圾邮件或合法，体育或政治等）以词频为特征。 通过适当的预处理，它在该领域具有竞争力，包括支持向量机在内的更先进的方法。它还在自动医疗诊断中得到应用。

内容包括朴素贝叶斯算法python实现代码，实现对iris分类，包含iris的txt格式的数据集。

用贝叶斯算法解决数据挖掘中分类的问题,通过训练集先训练出分类规则后,再输入测试集进行测试

朴素贝叶斯算法 Java朴素贝叶斯算法的实现 塔亚内·塞奎拉（Tayane Cerqueira）和卢卡斯·阿尔梅达（Lucas Almeida） 资料库：iris.arff（做weka） 属性：萼片长度，萼片宽度，花瓣长度和花瓣宽度 类别：Iris Setosa，Iris Versicolour和Iris Virginica 实例数：150（每个类50个）

贝叶斯算法的C语言 和JAVA语言实现，源代码下载

本节主要介绍数据挖掘中常见的分类方法决策树和朴素贝叶斯算法。 决策树算法 决策树（Decision Tree，DT）分类法是一个简单且广泛使用的分类技术。 决策树是一个树状预测模型，它是由结点和有向边组成的层次结构。树中包含3种结点：根结点、内部结点和叶子结点。决策树只有一个根结点，是全体训练数据的集合。 树中的一个内部结点表示一个特征属性上的测试，对应的分支表示这个特征属性在某个值域上的输出。一个叶子结点存放一个类别，也就是说，带有分类标签的数据集合即为实例所属的分类。 1. 决策树案例 使用决策树进行决策的过程就是，从根结点开始，测试待分类项中相应的特征属性，并按照其值选择输出分支，直

在 breast_cancer_wisconsin_data_set数据集上使用贝叶斯算法，对是目标否患乳腺癌进行预测分类。

人工智能贝叶斯搜索算法实验，内含实验报告以及实验代码（java）

垃圾邮件分类的用例