介绍了根据图像的逻辑特征和抽象属性进行检索的基于语义分类的图像检索技术，并用Bayes分类算法设计了一个语义分类器，该语义分类器通过计算用户要查询图像的后验概率，对被查询的图像进行语义分类。

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。

bayes-python 具体代码见：bayes_iris.py 我直接用了iris_data数据集，每种花我选取前45条数据当做训练集，剩下5条数据另外存入测试集iris_test_data，并将数据随机手动打乱 测试集如下： 因为这个数据集是连续性属性，所以需要利用概率密度函数。 具体实验步骤为： （1）先读取数据集 （2）计算训练数据集上每个类别的各个特征属性上的均值和方差 （3）开始对测试数据集进行分类 （4）首先估计先验概率，这里我每个类别所占整体数据集的比例是一样的 （5）利用概率密度函数，计算测试数据集上各个属性在每个类别上的条件概率 （6）计算后验概率=先验概率*条件概率 （7）比较在各个类别上的后验概率，取最大值，则分为这个类别 结果如下： 我们将结果与测试集比较发现结果完全正确！

为什么称为最小错误率Bayes决策？ 最小错误率Bayes决策使得每个观测值下的条件错误率最小因而保证了（平均）错误率最小。 Bayes决策是最优决策：即，能使决策错误率最小。 为什么Bayes决策是最优决策，我们还要学习这门课的其它方法？

Logistic回归和朴素贝叶斯 在UCI机器学习数据集上实现了Logistic回归和朴素贝叶斯。 对于这两个模型，使用混淆矩阵评估了这些分类器。

用python实现的 朴素贝叶斯代码，参考资料是李航写的<>这本书

对变分自编码的原理结构有详细的介绍，有助于初学者更好的理解

基于最小风险贝叶斯决策的分类器，模式识别实验报告，word版，里面有实验原理、matlab源程序及运行结果和输出图像。

正态分布的Bayes决策例解 两类的识别问题：医生要根据病人血液中白细胞的浓度来判断病人是否患血液病。 根据医学知识和以往的经验，医生知道： 患病的人，白细胞的浓度服从均值2000，方差1000的正态分布；未患病的人，白细胞的浓度服从均值7000，方差3000的正态分布； 一般人群中，患病的人数比例为0.5%。 一个人的白细胞浓度是3100，医生应该做出怎样的判断？ 它与人工智能关系密切，其目的是用机器完成人类智能中通过视觉、听觉、触觉等感官去识别外界环境的工作。 模式识别是一门理论与应用并重的技术科学。

对应我上传的bayes代码的数据集，三个txt文件，把它放在bayes代码的同层目录下。数据集数据集数据集数据集