bayes

python 机器学习-sklearn基本功能

库共分六大部分：分类，回归，聚类，降维，模型选择，数据的预处理分别展示如下：分类任务最近邻算法（neighbors.NearestNeighbors）支持向量机（svm.SVC)朴素贝叶斯（naive_bayes.GaussianNB
Z_shsf·2017-05-16 21:29

python 数据读写 IO

写入数据到TXT')txt_0.close()#读取txt_1=open('packages/txt_0.txt','r')print(txt_1.read())group=pd.read_table('bayes.txt
Qton·2017-05-04 12:40

数据预处理 01处理

（如需数据请留言，博客没办法上传附件请见谅）importtimeimportnumpyasnpimportpandasaspdgroup=pd.read_table('bayes.txt',header
Qton·2017-04-22 21:09

python之collections模块Counter类使用学习

不得不说之前的我对很多理论的学习态度是不求甚解，这就导致了今天下午看深入的时候很是费劲，无奈中途只好停歇了，然后拿了一个具体的实例来学习这种随处可见的贝叶斯思想，不得不说，现实生活中只要是牵涉到概率的地方就都可以使用到Bayes
Together_CZ·2017-04-18 22:44

机器学习实战+第四章_朴素贝叶斯

而bayes只需要记录词向量中每个词的权重即可。假设文本里每个词的出现概率是独立的，与文本中的其它词无关。对于极小数的相乘，采用了取对数的方法保留精度。
njaumj·2017-04-13 00:00

bayes

贝叶斯：#!/usr/bin/python#-*-coding:utf-8-*-'''CreatedonMar.28,2017'''importnumpyasnpdefgetProb(data,label):iflen(data)!=len(label):returnFalselength=len(data)label1Count=0label0Count=0pro0Dict={}pro1Dict
Apassionata·2017-03-31 09:11

学习笔记——Kaggle_Digit Recognizer (朴素贝叶斯 Python实现）

本文是个人学习笔记，该篇主要学习朴素贝叶斯算法概念，并应用sklearn.naive_bayes算法包解决Kaggle入门级DigitRecognizer。
JayC糖爸·2017-03-27 11:52

Think Bayes - 我所理解的贝叶斯定理

贝叶斯定理是统计学中非常重要的一个定理，以贝叶斯定理为基础的统计学派在统计学世界里占据着重要的地位，和概率学派从事件的随机性出发不同，贝叶斯统计学更多地是从观察者的角度出发，事件的随机性不过是观察者掌握信息不完备所造成的，观察者所掌握的信息多寡将影响观察者对于事件的认知。条件概率和全概率在介绍贝叶斯定理之前，先简单地介绍一下条件概率，描述的是事件A在另一个事件B已经发生条件下的概率，记作，A和B可
csshuke·2017-03-17 11:37

Naive Bayes 朴素贝叶斯算法

基本介绍朴素贝叶斯分类是基于贝叶斯定理和特征独立性假设的分类算法。数学基础条件概率事件B发生的条件下A发生的概率。P(A∣B)=P(AB)P(B)贝叶斯定理贝叶斯定理描述的是两个条件概率P(A∣B)、P(B∣A)之间的关系。P(A∣B)=P(B∣A)P(A)P(B)特征独立假设假设给定数据集Y，每条样本X都包含n维特征，即X[x1,x2,x3...xn]，xn是第n维特征的特征值；共有k种类别，即
wangpei1949·2017-03-11 22:09

R语言判别分析

部分参考薛毅的《统计建模与R软件》和《R语言实战》本文中分三个方法介绍判别分析，Bayes判别，距离判别，Fisher判别。
Tiaaaaa·2017-02-27 17:54

变分贝叶斯推断(Variational Bayes Inference)简介

通常在研究贝叶斯模型中，很多情况下我们关注的是如何求解后验概率(Posterior)，不幸的是，在实际模型中我们很难通过简单的贝叶斯理论求得后验概率的公式解，但是这并不影响我们对贝叶斯模型的爱——既然无法求得精确解，来个近似解在实际中也是可以接受的:-)。一般根据近似解的求解方式可以分为随机(Stochastic)近似方法（代表是MCMC，在上一篇中我们提到的利用GibbsSampling训练LD
Carl-Xie·2017-02-25 16:02

R语言 判别分析小结

判别分析的方法大体上有三类，即距离判别、Fisher判别和Bayes判别和。距离判别思想是根据已知分类的数据计算各类别的重心，对未知分类的数据，计算它与各类重心的距离，与某个重心距离最近则归于该类。
Sevan_Li·2017-02-18 14:35

【机器学习】Naive Bayes 朴素贝叶斯

1.基本原理和步骤NaiveBayesmethodsareasetofsupervisedlearningalgorithmsbasedonapplyingBayes’theoremwiththe“naive”assumptionofindependencebetweeneverypairoffeatures.Givenaclassvariableandadependentfeaturevecto
Emily Du·2016-10-10 17:07

R语言学习笔记

D.M.SmithandtheRDCT:IntroductiontoR--NotesonR:AProgrammingEnvironmentforDataAnalysisandGraphics,2003.http://bayes.math.montana.edu
bcbobo21cn·2016-08-24 23:00

LDA论文导读

例如Bayes最大后验概率准则；或者将模型中的参数当作提取的特征（参数一般都比较少，所以这么做实际上是在降维），在这
cornerCao·2016-08-23 15:43

机器学习——朴素贝叶斯法（naive Bayes）

朴素贝叶斯的原理再此就不细说了，有兴趣的朋友参看《统计学习方法》，里面给出详细的说明。本文仅给出算法，同时做出少量解释，然后给出python的实现。下面给出相应的算法描述在输入中，训练数据的每个元素由特征X和标签Y组成，特征X是一个包含n个x元素的列向量。第一步：计算先验概率和条件概率。公式一：计算标签为Ck的情况的概率，I()表示计数过程，符合条件为1，不符合为0公式二：计算当标签为Ck时，特征
阿里贝尔·2016-07-19 14:00

Mahout Naive Bayes中文新闻分类示例

转载原文：http://www.cnblogs.com/panweishadow/p/4320720.html一、简介关于Mahout的介绍，请看这里：http://mahout.apache.org/关于NaiveBayes的资料，请戳这里：Mahout实现了NaiveBayes分类算法，这里我用它来进行中文的新闻文本分类。官方有一组分类例子，使用20newsgroupsdata(http://
--__2__--·2016-07-10 14:08

【机器学习实战】03-朴素贝叶斯

1.贝叶斯(Bayes)定理介绍贝叶斯定理是由英国数学家贝叶斯在1763年首次提出的定理，
Paullu·2016-07-08 21:48

自然语言工程师要求

任职要求： 1、熟悉常用的分类、聚类算法，如Bayes，SVM，KNN，K-means,DBSCAN等； 2、熟悉常用的推荐算法，如UserCF、ItemCF、SlopeOne等； 3、熟悉常用的特征抽取算法
hansongjiang·2016-07-08 17:00

贝叶斯分类器用于文本分类: Multinomial Naïve Bayes

简介贝叶斯分类器是基于贝叶斯理论的分类器，在NLP（自然语言处理）领域有着广泛的应用，如垃圾邮件检测，个人邮件排序，文本分类，色情内容检测等等。由于贝叶斯分类器是基于贝叶斯理论的，因此使用该分类器时有一个基本假设，即：数据的各特征之间是条件独立的。假设数据集D={d1,d2,...,dn}D=\{d_1,d_2,...,d_n\}D={d1,d2,...,dn}的特征集合为X={x1,x2,...
阿拉丁吃米粉·2016-06-27 22:16

【机器学习实战】-03朴素贝叶斯

1.贝叶斯(Bayes)定理介绍贝叶斯定理是由英国数学家贝叶斯在1763年首次提出的定理，
PaulSH·2016-06-25 10:36

Naive Bayes

MathJax.Hub.Config({extensions:["tex2jax.js"],jax:["input/TeX"],tex2jax:{inlineMath:[['$','$']],displayMath:[['$$','$$']],processEscapes:true}});NaiveBayes这是一个民间学术“屌丝”在死后才逆袭的故事ThomasBayes（1702-1763）《A
blair·2016-05-31 00:00

贝叶斯法分类和最大似然

Bayes贝叶斯一、Bayes小故事    贝叶斯(约1701-1761)ThomasBayes，英国数学家。约1701年出生于伦敦，做过神甫。1742年成为英国皇家学会会员。
qq_20823641·2016-05-10 10:00

matlab贝叶斯工具箱安装使用

Matlab的Bayes贝叶斯神经网络工具箱是KevinMurphy开发的，最近一次的更新时间是在2007年，此工具的开发，得到了Intel员工的协助！
qq_20823641·2016-05-09 06:00

五月任务

1.代码嵌入工程（第二周）2.读bayes论文（第三周）3.跑实验，写论文（第一周）4.多线程编程（第四周）Weka,Spark,实际操作；kaggle观摩练习
ztf312·2016-05-06 16:00

机器学习算法之朴素贝叶斯（Naive Bayes）--第二篇

引言如果你对朴素贝叶斯的原理不太清楚，请看我的第一篇文章：http://blog.csdn.net/xlinsist/article/details/51236454这篇文章主要介绍将朴素贝叶斯模型应用到文本分类任务的技巧和方法。词袋模型(TheBagofWordsModel)对于机器学习算法来说，特征的选择是一个很重要的过程。那么如何从文本训练集中选出好的特征呢？在自然语言处理中，一个常见的模型
Xurtle·2016-04-28 18:46

[置顶] 机器学习算法之朴素贝叶斯（Naive Bayes）--第二篇

引言如果你对朴素贝叶斯的原理不太清楚，请看我的第一篇文章：http://blog.csdn.net/xlinsist/article/details/51236454这篇文章主要介绍将朴素贝叶斯模型应用到文本分类任务的技巧和方法。词袋模型(TheBagofWordsModel)对于机器学习算法来说，特征的选择是一个很重要的过程。那么如何从文本训练集中选出好的特征呢？在自然语言处理中，一个常见的模型
xlinsist·2016-04-28 18:00

机器学习算法----贝叶斯网络

本文转自：http://www.cnblogs.com/leoo2sk/archive/2010/09/18/bayes-network.html原文作者：张洋说实话贝叶斯网络还没有完全搞懂，在这里只给大家一个简单的解释
Sunshine_in_Moon·2016-04-28 17:00

朴素贝叶斯(Native Bayes)法简述

1.1、摘要     贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。本文作为分类算法的第一篇，将首先介绍分类问题，对分类问题进行一个正式的定义。然后，介绍贝叶斯分类算法的基础——贝叶斯定理。最后，通过实例讨论贝叶斯分类中最简单的一种：朴素贝叶斯分类。1.2、分类问题综述     对于分类问题，其实谁都不会陌生，说我们每个人每天都在执行分类操作一点都不夸张，只是我
suibianshen2012·2016-04-26 19:00

[置顶] 机器学习算法之朴素贝叶斯（Naive Bayes）--第一篇

引言先前曾经看了一篇文章，一个老外程序员写了一些很牛的Shell脚本，包括晚下班自动给老婆发短信啊，自动冲Coffee啊，自动扫描一个DBA发来的邮件啊，等等。于是我也想用自己所学来做一点有趣的事情。我的想法如下：首先我写个scrapy脚本来抓取某个网站上的笑话之后写个Shell脚本每天早上6点自动抓取最新的笑话然后用朴素贝叶斯模型来判断当前的笑话是否属于成人笑话如果是成人笑话，用脚本把它自动发给
xlinsist·2016-04-25 10:00

Naive Bayes

参考文档及代码scikit-learn:NaiveBayesscikit-learn:naive_bayes.pyNaiveBayes思想贝叶斯分类方法是一系列有监督学习方法，其应用贝叶斯理论，并使用“
x5942110·2016-04-25 09:00

Naive Bayes算法（朴素贝叶斯算法）

    贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。目前研究较多的贝叶斯分类器主要有四种，分别是：NaiveBayes、TAN、BAN和GBN。应用贝叶斯网络分类器进行分类主要分成两阶段。第一阶段是贝叶斯网络分类器的学习，即从样本数据中构造分类器，包括结构学习和CPT学习；第二阶段是贝叶斯网络分
Jkwwwwwwwwww·2016-04-19 23:00

朴素贝叶斯(naive bayes)

朴素贝叶斯(naivebayes)标签：Python机器学习主要参考资料：《机器学习实战》《统计学习方法》1.朴素贝叶斯分类原理朴素贝叶斯法是基于贝叶斯定理和特征条件独立假设(称为朴素的原因)的分类方法。先看看维基百科中贝叶斯定理的描述：贝叶斯定理（维基百科）通常，事件A在事件B（发生）的条件下的概率，与事件B在事件A的条件下的概率是不一样的；然而，这两者是有确定的关系，贝叶斯定理就是这种关系的陈
xuelabizp·2016-04-01 15:00

贝叶斯决策 2

MinimizingtheClassificationErrorProbability我们接下来将要证明，Bayes分类器是使得错分概率最小化的一个最佳选择，假设R1是w1这一类的样本特征所在的区域，R2
shinian1987·2016-03-31 16:00

朴素贝叶斯分类器(Naive Bayes Classifier)及Python实现

CoreLocation框架可用于定位设备当前经纬度，通过该框架，应用程序可通过附近的蜂窝基站，WIFI信号或者GPS等信息计算用户位置。iOS定位支持的3种模式。（1）GPS卫星定位（2）基站定位（3）WiFiiOS开发者使用CoreLocation.framework框架进行定位非常简http://huaban.com/pins/664803880/?1Jhttp://huaban.com/p
wzr208·2016-03-30 07:00

贝叶斯决策 1

Bayesrules在介绍Bayes决策论之前，我们先介绍有关概率的两个基本准则：求和准则与相乘准则。
shinian1987·2016-03-27 09:00

利用mahout的Bayes算法的文本情感分析

本文主要对酒店评论信息进行情感分析，根据提供的ChnSentiCorp_htl_unba_10000语料集，通过划分训练集建模，最后通过测试机测试模型处理精度。因为是一年半前写的，可能软件都比较老了。朴素贝叶斯分类算法概述朴素贝叶斯分类是一种十分简单的分类算法，叫它朴素贝叶斯分类是因为这种方法的思想真的很朴素，朴素贝叶斯的思想基础是这样的：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概
楚汐·2016-03-23 11:36

利用mahout的Bayes算法的文本情感分析

本文主要对酒店评论信息进行情感分析，根据提供的ChnSentiCorp_htl_unba_10000语料集，通过划分训练集建模，最后通过测试机测试模型处理精度。因为是一年半前写的，可能软件都比较老了。朴素贝叶斯分类算法概述朴素贝叶斯分类是一种十分简单的分类算法，叫它朴素贝叶斯分类是因为这种方法的思想真的很朴素，朴素贝叶斯的思想基础是这样的：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概
trucyluce·2016-03-23 11:00

机器学习实战--naive bayes和logistic Regression

前面我们学到的knn和trees都是能确切的确定例子属于哪一类，这一节我们将介绍一种用概率来进行分类的方式。一、朴素贝叶斯（naivebayes）用一句话介绍就是，待测例子属于哪一类的可能性更大，就将待测例子归为哪一类。先简单的介绍一下概率的基本知识：假设一共有两类c=0,1；如果p(c=0)>p(c=1)，那我们就将该例归为c=0类。反之，归为c=1类。对于多类问题采用相似的解决方法。而baye
sunnyxiaohu·2016-03-11 16:00

[转] Bayes算法

简介学过概率理论的人都知道条件概率的公式：P(AB)=P(A)P(B|A)=P(B)P(A|B)；即事件A和事件B同时发生的概率等于在发生A的条件下B发生的概率乘以A的概率。由条件概率公式推导出贝叶斯公式：P(B|A)=P(A|B)P(B)/P(A)；即,已知P(A|B)，P(A)和P(B)可以计算出P(B|A)。假设B是由相互独立的事件组成的概率空间{B1,b2，...bn}。则P(A)可以用全
chinabulls·2016-03-10 10:22

Python机器学习库scikit-learn实践

本文代码里封装了如下机器学习算法，我们修改数据加载函数，即可一键测试：classifiers={'NB':naive_bayes_classifier, 'KNN':knn_classifier,
u010454729·2016-03-03 20:00

条件概率和Bayes法则（Bayes' rule）

条件概率的定义P(A|B)=P(A∩B)P(B)条件概率与普通概率相同的属性P(A|B)≥0P(Ω|B)=P(Ω∩B)P(B)=P(B)P(B)=1P(B|B)=P(B∩B)P(B)=P(B)P(B)=1ifA∩C=∅，那么P(A∪C|B)=P(A|B)+P(C|B)乘法法则(multiplicationrule)它可以计算几个事件同时发生的概率通过概率和条件概率的相乘。公式如下：P(A1∩A2∩
xlinsist·2016-02-27 12:00

机器学习系列04——贝叶斯决策（Bayes）

贝叶斯决策（Bayes）【前言】前面几天一直比较忙，写了机器学习的前几篇文章，中间还研究了下微信订阅号开发，简单的做了个微信订阅号，每天发布一天好的文章给大家，希望多少对大家有点帮助，今天继续写贝叶斯决策
huangbin6·2016-02-20 00:00

【机器学习实战】Naive Bayes

一、概述优点：在数据少的情况下仍然有效，可以处理多类别问题缺点：对于输入数据的准备方式较为敏感适用数据类型：标称型数据二、原理三、文档分类A,B,C,D..为文档中单词。假设总词汇只有A,B,C,D四种。训练样本为5个ABCD类别文档100110文档201110文档310011文档411001文档511101测试文档1010?类别：C0,C1测试文档：W求：max{P(C0|W),P(C1|W)}
wilbur·2016-02-16 14:00

Opencv2.4.9源码分析——Normal Bayes Classifier

一、原理 OpenCV实现的贝叶斯分类器不是我们所熟悉的朴素贝叶斯分类器（NaïveBayesClassifier），而是正态贝叶斯分类器（NormalBayesClassifier），两者虽然英文名称很相似，但它们是不同的贝叶斯分类器。前者在使用上有一个限制条件，那就是变量的特征之间要相互独立，而后者没有这个苛刻的条件，因此它的适用范围更广。为了保持理论的系统性和完整性，我们还是先介绍朴素贝叶斯
zhaocj·2016-01-31 16:00

如何构建停用词列表

    在实际使用机器学习文本分类算法(比如lda,bayes,k-means)的过程中，会发现文档的预处理非常重要，如果包含太多杂词，则算法效果往往会大打折扣。
poised·2016-01-26 16:00

贝叶斯 算法 实例 scala

packagemlia.bayes importbreeze.linalg._ objectPrep{ defloadDataSet:(Array[Array[String]],Vector[Int
mlljava1111·2016-01-13 21:00

贝叶斯 算法 理论

Bayes公式先验概率和后验概率贝叶斯文本分类示例朴素贝叶斯分类决策最小错误率决策最小风险决策最小风险贝叶斯决策—基本思想最小风险贝叶斯决策—损失函数最小风险贝叶斯决策—步骤最小风险癌细胞实例
mlljava1111·2016-01-13 19:00

Spark MLlib 之 Naive Bayes

1、前言：NaiveBayes（朴素贝叶斯）是一个简单的多类分类算法，该算法的前提是假设各特征之间是相互独立的。NaiveBayes训练主要是为每一个特征，在给定的标签的条件下，计算每个特征在该标签的条件下的条件概率。最后用这个训练后的条件概率去预测。由于我使用的Spark的版本是1.3.0。它所包含的NaiveBayes是MultinomialNB。截至到我写该篇文章，最新的Spark1.6.0
ljy2013·2016-01-05 14:00

使用mahout下的朴素贝叶斯分类器对新闻分类

转载地址：http://www.letiantian.me/2014-10-22-mahout-naive-bayes-newsgroups/mahout版本是0.9；hadoop版本是1.2.1。
hechenghai·2015-12-18 14:37
上一页 12 13 14 15 16 17 18 19 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他