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

层次分析matlab代码分级贝叶斯模型，考虑了端成员的变异性和突然的光谱变化，以解混多时相高光谱图像 说明：与以下方法中描述的方法相关的Matlab代码 P.-A. Thouvenin，N.Dobigeon和J.-Y. Tourneret-分级贝叶斯模型，考虑了端成员的变异性和突然的光谱变化，以解开多时相高光谱图像， IEEE Trans。 计算想像，卷。 4，没有1，2018年3月，第32-45页。 作者： P.-A. Thouvenin，pierreantoine [dot] thouvenin [at] gmail [dot] com 实验：运行本文中报告的真实数据实验的代表性示例，配置并运行main_real_data.m脚本。 脚本main_extract_data.m可用于从data/raw_data文件夹中包含的原始数据文件中提取高光谱数据。 data文件夹中已经提供了数据提取后获得的.mat文件。 相关性：当前代码包括在以下出版物中描述并由其各自作者开发的MATLAB函数。 [1] JM Nascimento和JM Bioucas-Dias-顶点分量分析：一种快速混合高