搜索资源列表
基于贝叶斯网络的半监督聚类集成模型
- 已有的聚类集算法基本上都是非监督聚类集成算法,这样不能利用已知信息,使得聚类集成的准确性、鲁棒性和稳定性降低.把半监督学习和聚类集成结合起来,设计半监督聚类集成模型来克服这些缺点.主要工作包括:第一,设计了基于贝叶斯网络的半监督聚类集成(semi-supervised cluster ensemble,简称SCE)模型,并对模型用变分法进行了推理求解;第二,在此基础上,给出了EM(expectation maximization)框架下的具体算法;第三,从UCI(University of Ca
PCA_LDA.rar
- 《机器学习》课上的作业，PCA和LDA降维，尽管网上很多，但很少注释，另外细节上也没注意。这里有很详细的注释。另外还附上一个Naive贝叶斯分类器，大家可以作比较。附带的图像包是OLR人脸。ReducedDim为想要提取的特征数，不是百分比！," Machine learning" classes on the homework, PCA and LDA dimensionality reduction, even though a lot of online, but f
Navie-Bayes
- 机器学习中关于朴素贝叶斯（NB）方法的Matlab源代码，附带四个数据集用于实验-Machine Learning on Bayesian (NB) method of Matlab source code, with four data sets for experiments
winedata-bayers
- 对著名的UCI机器学习库的wine数据集做的朴素贝叶斯分类算法，包含详细源代码和实验报告，不可多得啊-Pairs of well-known UCI machine learning repository data set to do wine Naive Bayesian classification algorithm, with detailed source code and test reports, a rare ah
Bayesian-machine-learn-data-mining
- 贝叶斯（Bayesion）机器学习相互信息。用于求取熵、联合熵等。改进后可用于随机反演-Bayesian (Bayesion) machine learning of mutual information. Used to obtain entropy, joint entropy and so on. Improved can be used for stochastic inversion
The_Status_Quo_of_Machine_Learning_of_Artificial_I
- 机器学习是人工智能的一个子领域，是人工智能中非常活跃且范围甚广的主要核心研究领域之一，也是现代智能系统的关键环节和瓶颈。机器学习吸取了人工智能、概率统计、计算复杂性理论、控制论、信息论、哲学、生理学、神经生物学等学科的成果，主要关注于开发一些让计算机可以自动学习的技术，并通过经验提高系统自身的性能。本文介绍了机器学习的概念、基本结构和发展，以及各种机器学习方法，包括机械学习、归纳学习、类比学习、解释学习、基于神经网络的学习以及知识发现等，并简单叙述了机器学习的相关算法，包括决策树算法、随机森林算
datamining
- 通用机器学习及数据挖掘的特征提取及贝叶斯网络程序-General machine learning and data mining feature extraction and the bayesian network program
Applied_Data_Mining
- 《实用数据挖掘》 本书对面向应用的数据挖掘方法进行了清晰的阐述，包括经典的多元统计方法、贝叶斯多元统计方法、基于机器学习的数据挖掘方法和基于计算的数据挖掘方法等。介绍了数据挖掘领域中许多最新的研究成果，如关联规则、序列规则、图示马尔可夫模型、基于存储的推理、信用风险和Web挖掘等。并详细介绍了选自实际工业项目的6个应用实例，强调了数据挖掘方法的实用性。 本书主要面向计算机科学、信息管理、应用统计学和经济学等专业的高年级本科生和研究生。对实际从事海量数据分析和处理的技术人员也有很好的指导作用和
Kuschner-BayesianNetwork-feature
- Kuschner论文，贝叶斯网络方法在质谱数据特征选择。其中关于机器学习中贝叶斯分类器部分有完整原理分析，可以用于认知无线电网络的频谱感知等新领域。含有matlab程序大于100页，子函数很多。-Kuschner paper, Bayesian network methods of feature selection in mass spectrometry data. One of the Bayes classifier machine learning part of a complete
myBayes
- 这个是本人自己写的朴素贝叶斯算法，参考书籍为《机器学习实战》。(This is my own written naive Bayesian algorithm, reference books for the "machine learning combat.")
NavieBayes github java
- java 朴素贝叶斯 机器学习 情感分类器(java naivebayes machinelearing)
3.贝叶斯分类器
- 贝叶斯定理是用数学的方法来解释生活中大家都知道的常识，而机器学习使用的各种算法中，最常见的就是贝叶斯定理。此代码为贝叶斯分类python代码，包含高斯贝叶斯分类器，多项式贝叶斯分类器和伯努利贝叶斯分类器，并有具体的数据例子进行仿真比较(Bias's theorem is a mathematical way to explain all the common sense in life, and machine learning using various algorithms, the mos
weka机器学习十大算法
- 对机器学习领域的十个经典算法进行了详细介绍，包括：AdaBoost、Apriori、C4.5、CART、EM、K-means、kNN、PageRand、SVM和朴素贝叶斯(Ten classical algorithms in machine learning domain are introduced in detail, including AdaBoost, Apriori, C4.5, CART, EM, K-means, kNN, PageRand, SVM and Nave Baye
模式识别与机器学习3贝叶斯决策理论
- 讲述模式识别与机器学习,贝叶斯决策理论的相关知识,(Bayesian decision theory in narrative pattern recognition)
bayes
- 自己书写的一段机器学习的朴素贝叶斯算法，基于Python实现(The Implementation of Bayes Algorithm in Python)
BreastCancer
- Java实现机器学习经典分类算法，代码中实现了决策树、贝叶斯和KNN三个分类算法(Java implements the classic classification algorithm for machine learning. The code implements three classification algorithms: decision tree, Bayes and KNN)
朴素贝叶斯算法
- 此处python实现机器学习朴素贝叶斯算法(Here Python implements the naive Bayes algorithm for machine learning)
人工智能：人工智能选股之朴素贝叶斯模型
- 本报告对 朴素贝叶斯模型及线性判别分析、二次判别分析 进行系统测试 “生成模型”是机器学习中监督学习方法的一类。与“判别模型”学习决 策函数和条件概率不同，生成模型主要学习的是联合概率分布??(??,??)。本 文中，我们从朴素贝叶斯算法入手，分析比较了几种常见的生成模型（包 括线性判别分析和二次判别分析）应用于多因子选股的异同，希望对本领 域的投资者产生有实用意义的参考价值。(This report gives a systematic test of naive Bayesian
贝叶斯方法 -概率编程与贝叶斯推断 zip
- Probabilistic Programming and Bayesian Methods for Hackers是一本写给开发者的关于贝叶斯方法和概率问题的免费开源书。贝叶斯方法的用途十分广泛，在经济学上能找出一堆的例子。而在IT行业，机器学习是非常典型的一个应用。而机器学习也是本书作者写本书的一个重要的理由。 本书选择了Python作为编程语言，这一点都不奇怪，Python在科研和数据分析上的应用是非常方便和普遍的，比如大名鼎鼎的Numpy等。作者在本书中使用另一个库PyMC，它依赖
Bayesian
- 机器学习实验，实现贝叶斯算法 用C++的基础性语言来实现贝叶斯算法(Machine learning experiment and implementation of Bayesian algorithm)