贝叶斯分类器设计的一个matlab程序，希望对大家有用

软件: anaconda jupyter notebook 运行代码文件：naive bayes.ipynb python环境

这里的文件是： 1- load_data：从csv文件导入数据2- 可视化：打印特征分布的直方图。 在名为可视化的文件夹中的训练数据中的两个类。 3-estimate_：估计给定数据的模型4-classify_：根据模型和数据进行分类5-测试：使用 alpha=1:0.1:1000 测试 Naive 分类器并在可视化文件夹中打印一个名为 (accuracy 1-1000.pdf) 的图6- InspectTheModel：尝试衡量每个类的每个特征值的影响7-jointProb：计算给定一个类的两个给定特征值的联合概率8- 互信息：计算训练数据上的互信息以驱动最可能的依赖特征对。 9- testingBonus：使用候选特征对测试朴素分类器。 要运行演示，请运行testing.m，但是根据需要更改开始，步骤和结束！

从数学角度来说，分类问题可做如下定义：       已知集合： 和 ，确定映射规则 ，使得任意 有且仅有一个 使得 成立。（不考虑模糊数学里的模糊集情况）       其中C叫做类别集合，其中每一个元素是一个类别，而I叫做项集合，其中每一个元素是一个待分类项，f叫做分类器。分类算法的任务就是构造分类器f。 这个定理解决了现实生活里经常遇到的问题：已知某条件概率，如何得到两个事件交换后的概率，也就是在已知P(A|B)的情况下如何求得P(B|A)。 条件概率： 表示事件B已经发生的前提下，事件A发生的概率，叫做事件B发生下事件A的条件概率。其基本求解公式为： 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率，哪个最大，就认为此待分类项属于哪个类别。通俗来说，就好比这么个道理，你在街上看到一个黑人，

基于最小错误概率的贝叶斯分类器

贝叶斯分类器构建网络，对豆瓣进行情感分析；TF-IDF

尾花数据集是入门的经典数据集。Iris数据集是常用的分类实验数据集，由Fisher, 1936收集整理。Iris也称鸢尾花卉数据集，是一类多重变量分析的数据集。在三个类别中，其中有一个类别和其他两个类别是线性可分的。假设鸢尾花数据集的各个类别是服从正态分布的，尝试利用贝叶斯决策论的原理， 1. 设计贝叶斯分类器； 2. 设计基于最近邻准则的分类器。 资源包括代码实现和课程报告--Bayes和KNN分类器实现鸢尾花数据集分类 源码实现包括手撕贝叶斯和KNN以及使用工具包实现 课程报告主要包括以下部分： 一、 问题描述 二、 数据预处理 （1）划分数据集 （2）数据可视化 三、 模型基本原理 （1）朴素贝叶斯算法原理 （2）KNN算法原理 四、 贝叶斯分类器设计 （1）算法过程 （2）结果输出 五、 KNN分类器设计 （1）算法过程 （2）结果输出 六、 利用工具包进行设计 （1）贝叶斯分类器 （2）KNN分类器

基于贝叶斯分类器的手写体数字识别，识别率为87%，加大训练样本识别率更高。

实现朴素贝叶斯分类器算法基本功能，代码有注释，还包括一个垃圾邮件过滤的实例。另外我这次用的是python2.7版，如果用python3的可能需要根据提示修改几个语法（sorted函数的参数）。

贝叶斯分类器 学习讲义贝叶斯分类器 学习讲义贝叶斯分类器 学习讲义贝叶斯分类器 学习讲义贝叶斯分类器 学习讲义贝叶斯分类器 学习讲义