搜索资源列表
BeiyesiClassfication
- 本系统是一个简单的朴素贝叶斯的数据集分类系统,能够通过输入数据并预测数据集属于哪一个类
BAYES
- 朴素贝叶斯分类器代码，能够进行分类，
knn
- 朴素贝叶斯(Naive Bayes, NB)算法是机器学习领域中常用的一种基于概率的分类算法，非常简单有效。k近邻法(k-Nearest Neighbor, kNN)[30,31]又称为基于实例(Example-based, Instance-bases)的算法，其基本思想相当直观：Rocchio法来源于信息检索系统，后来最早由Hull在1994年应用于分类[74]，从那以后，Rocchio方法就在文本分类中广泛应用起来。
NaiveBayes
- 朴素贝叶斯分类算法，《机器学习及java实现里面的》
NaiveBayesSimple
- 朴素贝叶斯分类算法2，《机器学习及java实现里面的》
bayesfortext
- 本文通过分析朴素贝叶斯的两种常见的实现 模型：二项独立模型（BIM）和多项模型（MM），提出混和模型的朴素贝叶斯方法和带有单词量相关的 平滑因子的混和模型。
TextClassify
- 文本分类算法，含有三个分类算法，朴素贝叶斯，KNN,VSM
bayes
- 朴素贝叶斯c代码，希望对大家有帮助
Bayers
- 用matlab实现的朴素贝叶斯分类源代码，希望对大家有些帮助
NaiveBayes
- 朴素贝叶斯分类器，实现了朴素贝叶斯分类算法，结果表明比较好
TextClassification
- 帮师姐做的毕业论文：基于朴素贝叶斯的文本分类器，使用Visual C# 2005编写，文本语料库包括测试语料库和训练语料库（保存再Access数据库中）
naive_bayes
- 朴素贝叶斯分类器，用C++实现的基于朴素贝叶斯算法的分类器
NavieBayesianClassifier[xtulbd,050228]
- 朴素贝叶斯分类器（Navie Bayesian Classifier）识别鼠标输入的字母A～J-Naive Bayesian classifier (Navie Bayesian Classifier) Identification of the mouse input letters A-J
NaviveBayesClassify
- 朴素贝叶斯分类，经常出现在我们的文本分类中，该分类方法简单实用，是自然语言处理常用的方法
朴素贝叶斯算法
- 连续属性离散化算法 数据预测
垃圾邮件过滤器Java源码
- 垃圾邮件过滤器Java源码 本软件基于朴素贝叶斯算法，用NetBean生成的界面（须JDK1.6），适用于对手机短信，邮箱邮件，日记等一些txt文件进行分类，测试率达90％以上。在这里我非常感谢我的网络老师郑伟！希望大家多多提意见哦,Spam filters Java source code of this software is based on Naive Bayes algorithm, using NetBeans generated interface (to be JDK1.6),
Bayes.rar
- 使用Iris数据集，朴素贝叶斯分类算法。,The use of Iris data set, Naive Bayes classification algorithm.
Naive_Bayes.rar
- 实现基本的朴素贝叶斯分类算法，用以将图片按照一定要求分类,To achieve the basic Naive Bayesian classification algorithm for the image classification in accordance with certain requirements
naiveBayesClassify
- 机器学习算法，朴素贝叶斯分类器，常用作文本分类，或者用在本体匹配算法中用作相似度的计算-Machine learning algorithm, naive bayes classifier, commonly used ZuoWenBen classification, or use in ontology matching algorithm used in the calculation of similarity degree
Games
- Bayes分类器——算法设计 1． 使用决策树(Decision tree)分类算法、朴素贝叶斯（Naï ve Bayes）算法或者K-近邻（kNN）算法（三者任选其一）对给定的训练数据集构造分类器，并在测试数据集上进行分类预测。 2． 数据集描述： Tic-tac-toe游戏的二叉分类。Tic-tac-toe游戏示例如下-Bayes classifier- Algorithm 1. Using the decision tree (Decision tree) classi