人工智能框架三种贝叶斯分类器的Python实现（基于numpy和pandas，不调sklearn方法）
实现了高斯、多项式、伯努利三种朴素贝叶斯模型，能够处理离散型数据和连续型数据，并提供预测结果概率。对于像鸢尾花这类的连续型数据可以直接采用MyGaussianNB预测。离散型数据采用MyMultinomialNB预测。离散型数据，且特征值只有0,1两种取值情况的采用MyBernoulliNB预测。三种模型都可以通过score方法评估模型准确率，都可以通过predict_proba方法输出预测结果概率。
此外，为了优化和改进模型，使MyMultinomialNB和MyBernoulliNB能够预测连续型数据，还实现了基于numpy和pandas的分箱函数MyDiscretizer以及二值化函数MyBinarizer。
文件下载
评论信息
其他资源
- Huffman编解码算法及matlab实现
- NILMTK.zip
- IT运维手册
- 基于stm32led可调光设计（原理图+keil代码）
- 一套后台管理的html静态模板
- Flash找茬小游戏
- 流水线CPU代码设计
- 医院管理系统静态页面.rar
- 基于c#的学生成绩管理系统
- LPddr3与ddr3功能介绍
- 华东政法大学《计算机应用基础》历年试卷.pdf
- pyaudio3.7-3.8.rar
- A Multiple Blockchains Architecture On Inter-Blockchain Communication.pdf
- ISO 27003(CN).rar
- ODBC API 数据库 连接
- （WHU论文，带注释）深度卷积神经网络在高分辨率遥感图像的场景分类中的应用
- 仿美食网首页html+css 完全源码和图片
- IFIX4.5-5.5超级授权
- Seamless R and C++ Integration with Rcpp
- 昆仑通态 功能举例演示
- 数据库系统原理
- Delphi进制转换,十进制,二进制,十六进制,字符串--超短精简
- 数据库课程设计--学生选课系统
- 华为公开课IP网络基础
- 编译原理实验报告，词法分析，语法分析，语义分析。
免责申明
【只为小站】的资源来自网友分享，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论 【只为小站】 经营者是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二条之规定，若资源存在侵权或相关问题请联系本站客服人员，zhiweidada#qq.com，请把#换成@，本站将给予最大的支持与配合，做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明
本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二条之规定，若资源存在侵权或相关问题请联系本站客服人员，zhiweidada#qq.com，请把#换成@，本站将给予最大的支持与配合，做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明