Relevance Vector Machine（相关向量机）即RVM, 引入了贝叶斯方法，提供后验概率的输出，并且常常能产生更稀疏的解（在测试集上预测时速度更快）。SVM常常需要用交叉验证的方法确定模型复杂度参数C，而对于RVM来说，引入贝叶斯方法的另一个好处就是，省去了模型选择这一步。但RVM由于求矩阵的逆的运算，常常需要更多的训练时间。

该软件包具有快速灵活的代码，可用于在各种状态空间模型中进行模拟，学习和执行推理。

人工智能与知识工程课堂作业，使用产生式规则编辑知识库，基于贝叶斯的校园餐饮系统，利用历史数据，使用贝叶斯构建热搜榜，依据用户输入，提供推荐菜品、依据用户距离，推荐最近餐厅。

贝叶斯网络的K2结构学习 clear N = 4; dag = zeros(N,N); %C = 1; S = 2; R = 3; W = 4; % topological order C = 4; S = 2; R = 3; W = 1; % arbitrary order dag(C,[R S]) = 1; dag(R,W) = 1; dag(S,W)=1; false = 1; true = 2; ns = 2*ones(1,N); % binary nodes bnet = mk_bnet(dag, ns); bnet.CPD{C} = tabular_CPD(bnet, C, 'CPT', [0.5 0.5]); bnet.CPD{R} = tabular_CPD(bnet, R, 'CPT', [0.8 0.2 0.2 0.8]); bnet.CPD{S} = tabular_CPD(bnet, S, 'CPT', [0.5 0.9 0.5 0.1]); bnet.CPD{W} = tabular_CPD(bnet, W, 'CPT', [1 0.1 0.1 0.01 0 0.9 0.9 0.99]); [n ncases] = size(data); % set default params type = cell(1,n); params = cell(1,n); for i=1:n type{i} = 'tabular'; %params{i} = { 'prior', 1 }; params{i} = { 'prior_type', 'dirichlet', 'dirichlet_weight', 1 }; end scoring_fn = 'bayesian'; discrete = 1:n; clamped = zeros(n, ncases); max_fan_in = n; verbose = 0; dag = zeros(n,n); for i=1:n ps = []; j = order(i); u = find(clamped(j,:)==0); score = score_family(j, ps, type{j}, scoring_fn, ns, discrete, data(:,u), params{j}); if verbose, fprintf('\nnode %d, empty score %6.4f\n', j, score), end done = 0; while ~done & (length(ps) score score = best_pscore; ps = [ps best_p]; if verbose, fprintf('* adding %d to %d, score %6.4f\n', best_p, j, best_pscore),end else done = 1; end end if ~isempty(ps) % need this check for matlab 5.2 dag(ps, j) = 1; end end

领域内的经典，非常值得一看的红宝书，推荐

MF-BVAR 该项目旨在实施混合贝叶斯VAR（MF-BVAR）模型，以预测新加坡名义有效汇率（SNEER）的问题。 与其他任何国家不同，新加坡金融管理局设有以汇率为中心的货币警察，其中SNEER是货币警察的中间目标。 MAS会定期对外汇市场进行干预，以确保SNEER保持在MAS唯一了解的范围内。 这样可以保证SNEER的中期价格稳定。 SNEER是每周变量，被称为新加坡主要贸易伙伴的贸易加权一篮子货币。 另一方面，SNEER内部国家的汇率具有较高的频率数据，可用于预测。 MAS汇率政策存在四个不确定性来源： （1）SNEER的每日价值 （2）SNNER的坡度 （3）SNEER乐队 该项目试图通过以下步骤解决此问题： （1）建立MF-BVAR以连接新加坡主要合作伙伴的外汇数据的每日价值，以对SNEER进行每日预测，只要该指数的每周最佳预测为最佳 （2）解决根据新加坡主要贸易伙伴主

传统的道路交通事故预测是对交通事故次数及其造成的损失的历史趋势进行预测，针对其不能反映交通事故与实时交通特性关系、不能有效地预防事故发生的问题，提出一种贝叶斯和逻辑回归二分类算法的交通事故判断与预测模型 首先，进行数据处理，将交通状态划分为正常与危险两种，分别用0和1表示；利用采集的交通流数据作为特征变量对不同的状态进行表征，将事故的实时预测问题转化为分类问题；对某项偏大的数据特征进行数据处理，利用下采样策略解决由于危险状态样本较少而导致的样本不均衡问题；将重新选出的数据集分割成训练集与测试级，在训练集上进行k折交叉验证，利用贝叶斯和逻辑回归进行训练。利用recall查全率选出较好模型。根据样本数据训练的分类器对不同的交通状态进行分类识别。实验结果表明，逻辑回归比贝叶斯更能较好判断，更能反映不同交通状态的差别，获得更好的分类结果。最后，对于给定的交通数据进行预测与判断

定性预测、回归预测、时间序列平滑预测、趋势曲线模型预测、季节变动预测、马尔科夫预测、确定型决策、非确定型决策、风险型决策、贝叶斯决策、多目标决策等。通过学习，使学生掌握基本预测理论与方法，培养学生根据实际条件选择并建立模型进行预测与决策的能力

有60000个Email，标签分为spam（垃圾邮件），ham（正常邮件），可供贝叶斯分类学习使用

基于CNN和朴素贝叶斯方法的安卓恶意 应用检测算法 安全架构APT 安全运营 安全体系 安全对抗