搜索资源列表
BayesClassifier
- 基于贝叶斯公式的分类器，应用于垃圾邮箱匪类器中-Bayesian classifier based on a formula applied to spam mail taxonomy editor
bayesleastrisk
- 贝叶斯最小风险分类器 水处理数据matlab-Minimum risk classifier
classifier
- 各种分类器的源码，有注释和功能描述,马氏，贝叶斯，最大似然等-Various classifier source, there are notes and functional descr iption
HellokinectMAT
- 感知行为的影响因素包括单个关节的动作和不同关节的组态。因此提出一种新的基于关节的位置差异的特征类型，联合包括静态姿势、动作、位移在内的行为信息进行识别。采用关节在两个时间和空间区域的差异来明确地模拟个别关节动力学和不同关节的组态。然后应用主成分分析（PCA）来获得所需的特征。同时应用非参数的简捷的贝叶斯最近邻（NBNN）分类器进行多类行为的分类。这个NBNN分类器避免了帧描述符的量化，计算“图像到类别”的距离而不是“图像到图像”的距离。15到20帧的数据就足以实现手势以及动作的识别，无需应用整个
pkupr
- 模式识别 北京大学 本科生课程 课件 （包括贝叶斯模型、最近邻、SVM、线性与非线性分类器、boosting、统计学习、非监督学习等）-Pattern Recognition Peking University Courseware (including Bayesian model, the nearest neighbor, SVM, linear and non-linear classifiers, boosting, statistical learning, unsupervised
BN_inference
- 本程序是用作贝叶斯推论的，训练好分类器，用于计算联合概率密度实现推理-This procedure is used for Bayesian inference, well trained classifier is used to calculate the joint probability density to achieve reasoning
bayes
- java实现朴素贝叶斯中文文本分类器。自带分类语料和实验报告。功能完整。-java implement Naive Bayes Chinese text categorization. Own classification corpus and test reports. Full-featured.
Bayes-pso-Classier
- 模式识别的贝叶斯公式进行设计分类器A Bayesian formulation for large data pattern recognition is designed for classifier-A Bayesian formulation for large data pattern recognition is designed for classifier
c3d2matixgenerate
- 贝叶斯线性分类器作业,模式识别，最小错误率线性分类器-Bayes classification，Linear classifier design，Pattern Recognition
zhang
- 基于贝叶斯的分类器设计，内涵TXT文件。-Bayesian classifier design
PNN网络代码
- 概率神经网络(Probabilistic Neural Network)是由D.F.Speeht博士在1989年首先提出，是径向基网络的一个分支，属于前馈网络的一种。它具有如下优点：学习过程简单、训练速度快；分类更准确，容错性好等。从本质上说，它属于一种有监督的网络分类器，基于贝叶斯最小风险准则。(Probabilistic neural network was first proposed by Dr. D.F.Speeht in 1989. It is a branch of radial
PNN
- 概率神经网络(Probabilistic Neural Network)是由D.F.Speeht博士在1989年首先提出，是径向基网络的一个分支，属于前馈网络的一种。它具有如下优点：学习过程简单、训练速度快；分类更准确，容错性好等。从本质上说，它属于一种有监督的网络分类器，基于贝叶斯最小风险准则。(The rate neural network, first proposed in 1989, is a branch of the RBF network and is one of the fe
sklearn-tree-BN-knn
- 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。(Performance comparison and optimization of classifiers: We use tree, Bayesian and KNN in scikit-learnpackage to train the dat