小面积估算（SAE）解决了为小面积（即样本信息不足以保证使用直接估算器的总体人口子集）提供可靠估算的问题。 与传统的SAE模型相比，分层SAE问题的贝叶斯方法具有多个优点，包括能够适当考虑所调查变量的类型。 在本文中，讨论了许多用于估计小面积计数的模型规范，并说明了它们的相对优点。 我们进行了模拟研究，以简化的形式复制了《意大利劳动力调查》，并以当地劳动力市场为目标区域。 通过假设感兴趣的人口特征以及已知的调查抽样设计来生成模拟数据。 在一组实验中，利用了人口普查数据中的就业/失业人数，而另一些则改变了人口特征。 结果表明，对于某些标准Fay-Herriot规范以及具有（对数）正常采样级的广义线性Poisson模型，模型持续存在故障，而无匹配或非正常采样级模型在偏差，准确性和可靠性方面均具有最佳性能。 不过，该研究还发现，通过随机确定采样方差而不是像通常的做法那样假设抽样方差，任何模型都可以显着改善其性能。 此外，我们解决了模型确定的问题，以指出在SAE上下文中对模型选择和检查常用标准的限制和可能的欺骗。

自己编写并优化的贝叶斯模型，用于神经网络、机器学习或者数据分析、数据挖掘等领域的数学模型。是数据分析、Python程序设计、数学建模等课程作业的不二帮手！ 语言为Python，在Python3.6~3.8均可运行，需要安装numpy

人工智能选股之朴素贝叶斯模型主要讲解概率模型的股票交易市场中的应用，值得学习与借鉴

为什么“朴素” 原因 因为它假定所有的特征在数据集中的作用是同样重要和独立的，正如我们所知，这个假设在现实世界中是很不真实的，因此，说是很“朴素的”。

OSIC肺纤维化竞赛（贝叶斯模型） 介绍 OSIC肺纤维化进展竞赛是一项Kaggle竞赛，您需要完成预测FVC（强制肺活量）的任务，FVC与下一个146周的强制呼气量（FEV）测试中呼出的空气总量有关。 您将获得CT扫描图像，以了解过去几周的第一次相遇，元数据和信息。 方法 CT扫描处理 我们确定一个遮罩，以区分图像中的其他实体和肺部。 我用两种方法做到这一点：1）简单的像素阈值区分和2）KMeans聚类。 应用了进一步的图像处理（例如腐蚀和膨胀）以进一步区分这两个区域。 然后将识别出的蒙版应用于原始图像，以获得孤立的肺部图像。 这些操作的结果如下所示： 隔离肺部后，从生成的图像中确定像素统计信息，以用作后续模型中的特征。 确定了诸如均值，方差，偏斜和峰度之类的统计信息。 贝叶斯建模 使用马尔可夫链蒙特卡洛（MCMC）采样方法和变分推断来估计模型的参数。 生成模型是分层的，这意味着信息

bayestestR：用于分析贝叶斯模型和后验分布的实用工具

分类器的性能比较与调优: 使用scikit-learn 包中的tree，贝叶斯，knn，对数据进行模型训练，尽量了解其原理及运用。 使用不同分析三种分类器在实验中的性能比较，分析它们的特点。 本实验采用的数据集为house与segment。

ArviZ ArviZ（发音为“ ARvees ”）是一个Python软件包，用于对贝叶斯模型进行探索性分析。 包括后验分析，数据存储，模型检查，比较和诊断的功能。 ArviZ用其他语言 ArviZ还提供了一个可用的Julia包装器 。 文献资料 可以在找到ArviZ文档。 初次使用的用户可能会发现会有所帮助。 在可以找到其他指导。 安装 稳定的 可从PyPI安装ArviZ。 可以使用pip安装最新的稳定版本： pip install arviz ArviZ也可以通过conda- forge获得。 conda install -c conda-forge arviz 发展 可以使用pip从主分支安装最新的开发版本： pip install git+git://github.com/arviz-devs/arviz.git 另一个选择是克隆存储库并使用git和setuptool

在高效视频编码（HEVC）中，SKIP.mode是一种高效的帧间预测工具，具有较高的编码性能，较低的复杂度。 本文提出了一种早期的SKIP.mode决策算法来加速编码过程。 以SKIP模式的速率失真成本（RD-cost）作为决策标准。 采用非参数密度估计方案将SKIP RD成本分布空间划分为高区分区域（HDR）和低区分区域（LDR）。 对于给定的编码单位（CU），如果SKIP RDcost。落入HDR，则将SKIP模式直接选择为最佳模式。 如果RD成本映射到LDR，则采用贝叶斯风险最小化规则来确保RD性能。 统计参数根据不同的QP和CU深度进行更新。 实验结果表明，所提出的算法可以减少47％的编码时间，而平均仅增加BD-bitrate的0.34％。

机器学习与算法源代码6： 朴素贝叶斯模型.zip