精华内容
下载资源
问答
  • Matlab项目 包含用于朴素贝叶斯分类器的源代码和Matlab示例。 该项目中包含的源代码和文件在“项目文件”部分列出,请确保此资源能满足您的要求
  • 朴素贝叶斯分类器matlab代码IS-Lab1(EN) 智能系统。 Perceptron培训实验室的任务。 目标 学习编写用于简单线性分类器的训练(参数估计)算法。 任务(最高8分) 根据两个估计的特征,使用两个不同对象的单个感知器...
  • 朴素贝叶斯分类器 matlab代码 ###2016春夏学期一些课程的project,希望大家能够喜欢 ####2016 Spring Term project, hope can help you! Welcome friends to join our project! Please don't directly copy the code...
  • 我使用不支持朴素贝叶斯分类器Matlab 2008a。 脚本支持正常和内核发行版。 脚本中使用了 2008a 版本的统计工具箱。 还包括混淆垫的功能提供的示例数据来自 Mathworks 网络研讨会:计算统计:使用 MATLAB 进行分类...
  • 朴素贝叶斯分类器 MATLAB 源代码,里面含有使用实例,用的是 UCI 的 mushroom 数据集。 分类器详细介绍见: http://blog.csdn.net/yunduanmuxue/article/details/39693917
  • 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。... 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!
  • 朴素贝叶斯分类器——matlab实现

    千次阅读 2019-12-05 20:07:27
    实验源自于周志华的西瓜书,对于西瓜数据集3.0训练一个朴素贝叶斯分类器可参考:朴素贝叶斯分类MATLAB实现 我的实验首先将data.txt文件内的数据导入matlab中的元胞数组中: 前17行为训练数据集最后一行为测试...

    朴素贝叶斯分类对——matlab实现

    根据西瓜数据集判断某个西瓜是不是好瓜:
    在这里插入图片描述
    本次实验是针对以上17行数据为训练数据,以及题目要求的1行数据为训练数据。实验源自于周志华的西瓜书,对于西瓜数据集3.0训练一个朴素贝叶斯分类器可参考:朴素贝叶斯分类MATLAB实现

    我的实验首先将data.txt文件内的数据导入matlab中的元胞数组中:

    在这里插入图片描述

    前17行为训练数据集最后一行为测试数据集:

    在这里插入图片描述

    加载数据代码如下:

    %% 加载数据
    D = importdata('data.txt');
    n = 17; % 数据量
    m = 10; % 属性
    train = cell(n,m);
    test = cell(1,m);
    S = regexp(D,',','split');
    for i=1:17
        train(i,:) = S{i,1};
    end
    test(1,:) = S{n+1,1};
    disp('加载训练数据:');
    disp(train);
    disp('加载测试数据:');
    disp(test);
    

    对于离散属性(如:色泽、根蒂、敲声、纹理、脐部、触感)而言,求它的条件概率;对于连续属性(如:密度、含糖率),可以考虑概率密度函数。
    分别将测试集中每个属性在好瓜以及坏瓜中占有的比例进行计算并存储在元胞数组中。

    实验代码如下:

    %% 
    data = cell(3, m);
    data(1,:) = test(1,:);
    data{2,1} = '是';
    data{3,1} = '否';
    for i=2:3
        for j=2:m
            data{i,j} = 0;
        end
    end
    %disp(an);
    for i=2:7
        for j=1:8
            if train{j,i}==data{1,i}
                data{2,i}=data{2,i}+1;
            end
        end
        data{2,i}=data{2,i}./8;
        for j=9:17
            if train{j,i}==data{1,i}
                data{3,i}=data{3,i}+1;
            end
        end
        data{3,i}=data{3,i}./9;
    end
    data{2,10} = 8/17;
    data{3,10} = 9/17;
    % 计算密度和含糖率的概率密度
    density1 = str2num(char(train(1:8,8)));
    den_m1 = mean(density1);
    den_s1 = std(density1);
    data{2,8} = exp(-1*(str2num(char(test(1,8)))-den_m1)*(str2num(char(test(1,8)))-den_m1)/(2*den_s1*den_s1))/(sqrt(2*pi)*den_s1);
    density2 = str2num(char(train(9:17,8)));
    den_m2 = mean(density2);
    den_s2 = std(density2);
    data{3,8} = exp(-1*(str2num(char(test(1,8)))-den_m2)*(str2num(char(test(1,8)))-den_m2)/(2*den_s2*den_s2))/(sqrt(2*pi)*den_s2);
    suger1 = str2num(char(train(1:8,9)));
    sug_m1 = mean(suger1);
    sug_s1 = std(suger1);
    data{2,9} = exp(-1*(str2num(char(test(1,9)))-sug_m1)*(str2num(char(test(1,9)))-sug_m1)/(2*sug_s1*sug_s1))/(sqrt(2*pi)*sug_s1);
    suger2 = str2num(char(train(9:17,9)));
    sug_m2 = mean(suger2);
    sug_s2 = std(suger2);
    data{3,9} = exp(-1*(str2num(char(test(1,9)))-sug_m2)*(str2num(char(test(1,9)))-sug_m2)/(2*sug_s2*sug_s2))/(sqrt(2*pi)*sug_s2);
    
    disp('在好瓜坏瓜的条件下的概率:');
    disp(data);
    

    在这里插入图片描述

    最后,将每种属性相乘得到结果:

    % 好瓜坏瓜的概率
    res_is = 1.0;
    for i=2:10
        res_is = res_is .* cell2mat(data(2,i));
    end
    disp('好瓜的概率:');
    disp(res_is);
     
    res_not = 1.0;
    for i=2:10
        res_not = res_not .* cell2mat(data(3,i));
    end
    disp('坏瓜的概率:');
    disp(res_not);
    

    在这里插入图片描述

    展开全文
  • 朴素贝叶斯分类器Matlab代码)

    热门讨论 2014-09-06 17:52:21
    不是matlab 官方版本,自己动手写的并含有测试模块,适合学习贝叶斯编程过程。
  • 基于MATLAB的柑橘果实分类图像朴素贝叶斯分类器 Naive Bayes Classifier To Classification Image Of Citrus Fruits With Matlab Code
  • 贝叶斯分类器MATLAB经典程序

    热门讨论 2012-05-06 15:14:32
    贝叶斯分类器MATLAB经典程序
  • 基于Matlab朴素贝叶斯分类器,该文件为压缩文件,解压后可用。包含了实验数据。是离散类型的朴素贝叶斯分类器
  • 贝叶斯分类器Matlab实现

    热门讨论 2010-05-04 21:57:51
    机器学习算法,用于分类的朴素贝叶斯分类器,Navie Bayesian Classifier 。
  • 朴素贝叶斯分类器

    2020-06-29 16:00:27
    实验2 朴素贝叶斯分类器 一、实验目的 (1)理解朴素贝叶斯分类器的工作原理。 (2)编程实现朴素贝叶斯分类器。 二、实验内容 1、(难度1)编程实现朴素贝叶斯分类器的训练。假设数据只涉及连续属性。 测试代码如下...

    实验2 朴素贝叶斯分类器

    一、实验目的

    (1)理解朴素贝叶斯分类器的工作原理。
    (2)编程实现朴素贝叶斯分类器。

    二、实验内容

    1、(难度1)编程实现朴素贝叶斯分类器的训练。假设数据只涉及连续属性。

    测试代码如下:

    load('trainingData.mat');
    load('testingData.mat');
    [Params,prior,AllLabels] = NaiveBayesTrain(trAttr, trLabels);
    

    (将执行正确的代码粘贴在此处,核心代码要求有注释)

    function [params,prior,allLabels] = NaiveBayesTrain(trAttr,trLabels)
    allLabels = unique(trLabels);
    numClass = length(allLabels);
    trAttr = trAttr(1:10,1:3);
    trLabels = trLabels(1:10);
    for i=1:numClass
        ind= find(trLabels==allLabels(i));
        indexClass{i,1} = ind;
        prior(i) = length(ind)/length(trLabels);
    end
    numAttr = size(trAttr,2);
    params{numClass,numAttr}=[];
    for attrIndex = 1:numAttr
           attrVals = trAttr(:,attrIndex);
           for i=1:numClass
                params{i,attrIndex}=getParamsContiAttr(attrVals,indexClass{i,1});
           end
    end
    end
     
    function params1 = getParamsContiAttr(attrVals,index)
        attrValsThisClass = attrVals(index);
        params1(1)=mean(attrValsThisClass);  %Çó¾ùÖµ
        params1(1)=var(attrValsThisClass); %Çó•½²î
    end
     
    
    2、(难度2)编程实现朴素贝叶斯分类器的训练。假设数据既涉及连续属性,也涉及分类属性。

    测试代码如下:

    refund=[1 2 2 1 2 2 1 2 2 2]';
    mar=[1 2 1 2 3 2 3 1 2 1]';
    inc=[125,100,70,120,95,60,220,85,75,90]';
    trAttr =[refund,mar,inc];
    trLabels=[1 1 1 1 2 1 1 2 1 2]';
    tstAttr=[2,2,120];
    [type,Params,prior,AllLabels] = NaiveBayesTrain2(trAttr, trLabels);
    

    (将执行正确的代码粘贴在此处,核心代码要求有注释)

    function [type,Params,prior,AllLabels] = NaiveBayesTrain2(trAttr, trLabels)
    allLabels = unique(trLabels);
    numClass = length(allLabels);
    trAttr = trAttr(1:10,1:3);
    trLabels = trLabels(1:10);
    for i=1:numClass
        ind= find(trLabels==allLabels(i));
        indexClass{i,1} = ind;
        prior(i) = length(ind)/length(trLabels);
    end
    numAttr = size(trAttr,2);
    Params{numClass,numAttr}=[];
    for attrIndex = 1:numAttr
           attrVals = trAttr(:,attrIndex);
           numAttrValsClass=length(unique(attrVals));
           maxAttrvals=max(unique(attrVals));
           if(isempty(find(rem(attrVals,1)~=0)))&&numAttrValsClass<10&&maxAttrvals==numAttr
               type(attrIndex)=0;
               for i=1:numClass
                   Params{i,attrIndex}=getParamsCategoricalAttr(attrVals,indexClass{i,1});
               end
           else
               type(attrIndex)=1;
               for i=1:numClass
                    Params{i,attrIndex}=getParamsContiAttr(attrVals,indexClass{i,1});
               end
           end
    end
    end
     
    function Params1 = getParamsContiAttr(attrVals,index)
        attrValsThisClass = attrVals(index);
        Params1(1)=mean(attrValsThisClass);  %?¨®?¨´??
        Params1(1)=var(attrValsThisClass); %?¨®????
    end
    function Params1 = getParamsCategoricalAttr(attrVals,index)
        Params1=[];
        AllattrVals=unique(attrVals);
        numAttrValsClass=length(AllattrVals);
        AllattrVals4ThisClass=attrVals(index);
        nj=length(index);
        for i=1:numAttrValsClass
            nij=length(find(AllattrVals4ThisClass==AllattrVals(i)));
            Params1(i)=nij/nj;
        end
        
    end
    
    3、(难度3)编程实现朴素贝叶斯分类器的训练和分类。

    (将执行正确的代码粘贴在此处,核心代码要求有注释)

    展开全文
  • 4.朴素贝叶斯分类器实现-matlab

    千次阅读 2019-01-05 10:08:26
    实现朴素贝叶斯分类器,并且根据李航《统计机器学习》第四章提供的数据训练与测试,结果与书中一致 分别实现了朴素贝叶斯以及带有laplace平滑的朴素贝叶斯 %书中例题实现朴素贝叶斯 %特征1的取值集合 A1=[1;2;3];...

    实现朴素贝叶斯分类器,并且根据李航《统计机器学习》第四章提供的数据训练与测试,结果与书中一致

    分别实现了朴素贝叶斯以及带有laplace平滑的朴素贝叶斯

    %书中例题实现朴素贝叶斯
    %特征1的取值集合
    A1=[1;2;3];
    %特征2的取值集合
    A2=[4;5;6];%S M L
    AValues={A1;A2};
    %Y的取值集合
    YValue=[-1;1];
    %数据集和
    T=[ 1,4,-1;
        1,5,-1;
        1,5,1;
        1,4,1;
        1,4,-1;
        2,4,-1;
        2,5,-1;
        2,5,1;
        2,6,1;
        2,6,1;
        3,6,1;
        3,5,1;
        3,5,1;
        3,6,1;
        3,6,-1];
    %训练带Laplace平滑的朴素贝叶斯模型
    ltheta = LaplaceNBtrain(T(:, 1:size(T, 2) - 1), T(:, size(T, 2)), AValues, YValue, 1);
    %训练朴素贝叶斯模型
    theta = NBtrain(T(:, 1:size(T, 2) - 1), T(:, size(T, 2)), AValues, YValue);
    %测试两个数据与书中答案相符
    ans = NBtest(theta, [2,4;], AValues, YValue)
    lans = NBtest(ltheta, [2,4;], AValues, YValue)
    
    function y = NBtest(theta, X, AValues, YValue)
        Xindice=ones(size(X, 1), size(X, 2));
        %找到特征在取值集合中的下标,将X矩阵转化为下标矩阵
        for j=1:1:size(X, 2)
            AXi = AValues{j, 1};
            for i=1:1:size(X, 1)
                for t=1:1:size(AXi, 1)
                    if(X(i, j) == AXi(t, 1))
                        Xindice(i, j) = t;
                        break
                    end
                end
            end
        end
        %矩阵用于记录所有X在不同Yi下的P(X|Y)P(Y)
        Ys = zeros(size(X, 1), size(YValue, 1));
        PX_Y = theta{1,1};
        PY = theta{2,1};
        for i=1:1:size(Ys, 1)
            x=Xindice(i, :);
            for k=1:1:size(Ys, 2)
                ans = PY(k, 1);
                for j=1:1:size(x, 2)
                    ans = ans * PX_Y{k, j}(x(1, j), 1);
                end
                Ys(i, k) = ans;
            end
        end
        Ys
        %后验概率最大化
        y=zeros(size(Ys, 1), 1);
        for i=1:1:size(Ys, 1)
            max = -1;
            max_indice = 0;
            for j=1:1:size(Ys, 2)
                if(Ys(i, j) > max)
                    max = Ys(i, j);
                    max_indice = j;
                end
            end
            y(i, 1) = YValue(max_indice, 1);
        end
    end
    
    function theta=NBtrain(X,Y,AValues,YValue)
        %计算先验概率
        TY = zeros(size(YValue, 1), 1);
        for i=1:1:size(Y, 1)
            for j=1:1:size(YValue)
                if(Y(i, 1) == YValue(j, 1))
                    Y(i,1);
                    TY(j, 1) = TY(j, 1) + 1;
                    break
                end
            end
        end
        PY = TY/size(Y, 1);
        %计算条件概率
        pX_Y=cell(size(YValue, 1), size(X, 2));
        for k=1:1:size(YValue, 1)
            %条件y=yk
            for i=1:1:size(X, 2)
                %i为特征编号
                %取得第i个特征的取值集合
                XAi = AValues{i, 1};
                TXij_Y = zeros(size(XAi, 1), 1);
                for j=1:1:size(XAi, 1)
                    %查找数据中所有Y=yk且特征i的值为Aij的数据个数并累加
                    for t=1:1:size(X, 1)
                        if(Y(t, 1)==YValue(k, 1) && X(t, i) == XAi(j, 1))
                            TXij_Y(j, 1) = TXij_Y(j, 1) + 1;
                        end
                    end
                end
                PX_Y{k, i} = TXij_Y/TY(k, 1);
            end
        end
        theta = cell(2,1);
        theta{1,1} = PX_Y;
        theta{2,1} = PY;
    end
    
    function theta=LaplaceNBtrain(X,Y,AValues,YValue,lambda)
        %计算先验概率
        TY = zeros(size(YValue, 1), 1);
        for i=1:1:size(Y, 1)
            for j=1:1:size(YValue)
                if(Y(i, 1) == YValue(j, 1))
                    Y(i,1);
                    TY(j, 1) = TY(j, 1) + 1;
                    break
                end
            end
        end
        PY = (TY + lambda)/(size(Y, 1) + lambda * size(YValue, 1));
        %计算条件概率
        pX_Y=cell(size(YValue, 1), size(X, 2));
        for k=1:1:size(YValue, 1)
            %条件y=yk
            for i=1:1:size(X, 2)
                %i为特征编号
                %取得第i个特征的取值集合
                XAi = AValues{i, 1};
                TXij_Y = zeros(size(XAi, 1), 1);
                for j=1:1:size(XAi, 1)
                    %查找数据中所有Y=yk且特征i的值为Aij的数据个数并累加
                    for t=1:1:size(X, 1)
                        if(Y(t, 1)==YValue(k, 1) && X(t, i) == XAi(j, 1))
                            TXij_Y(j, 1) = TXij_Y(j, 1) + 1;
                        end
                    end
                end
                PX_Y{k, i} = (TXij_Y + lambda)/(TY(k, 1) + lambda * size(XAi, 1));
            end
        end
        theta = cell(2,1);
        theta{1,1} = PX_Y;
        theta{2,1} = PY;
    end
    

     

    展开全文
  • 基于MATLAB的柑橘果实分类图像朴素贝叶斯分类器 Naive Bayes Classifier To Classification Image Of Citrus Fruits With Matlab Code function varargout = NaiveBayesClassifier(varargin) % ...

    基于MATLAB的柑橘果实分类图像朴素贝叶斯分类器

    Naive Bayes Classifier To Classification Image Of Citrus Fruits With Matlab Code

    这里写图片描述

    function varargout = NaiveBayesClassifier(varargin)

    % NAIVEBAYESCLASSIFIERM-file for NaiveBayesClassifier.fig

    % NAIVEBAYESCLASSIFIER, by itself, createsa new NAIVEBAYESCLASSIFIER or raises the existing

    % singleton*.

    %

    % H = NAIVEBAYESCLASSIFIER returns thehandle to a new NAIVEBAYESCLASSIFIER or the handle to

    % the existing singleton*.

    %

    % NAIVEBAYESCLASSIFIER(‘CALLBACK’,hObject,eventData,handles,…) calls thelocal

    % function named CALLBACK inNAIVEBAYESCLASSIFIER.M with the given input arguments.

    %

    % NAIVEBAYESCLASSIFIER(‘Property’,’Value’,…)creates a new NAIVEBAYESCLASSIFIER or raises the

    % existing singleton*. Starting from the left, property value pairsare

    % applied to the GUI beforeNaiveBayesClassifier_OpeningFcn gets called. An

    % unrecognized property name or invalid valuemakes property application

    % stop. All inputs are passed to NaiveBayesClassifier_OpeningFcn via varargin.

    %

    % *See GUI Options on GUIDE’s Toolsmenu. Choose “GUI allows only one

    % instance to run (singleton)”.

    %

    % See also: GUIDE,GUIDATA, GUIHANDLES

    % Edit the above text tomodify the response to help NaiveBayesClassifier

    % Last Modified by GUIDEv2.5 09-May-2013 06:54:52

    % GUI初始化代码

    gui_Singleton = 1;

    gui_State = struct(‘gui_Name’, mfilename, …

                   'gui_Singleton',  gui_Singleton, ...
    
                   'gui_OpeningFcn',@NaiveBayesClassifier_OpeningFcn, ...
    
                   'gui_OutputFcn',  @NaiveBayesClassifier_OutputFcn, ...
    
                   'gui_LayoutFcn',  [] , ...
    
                   'gui_Callback',   []);
    

    if nargin && ischar(varargin{1})

    gui_State.gui_Callback =str2func(varargin{1});
    
    clc;
    
    
    
    % 设置窗体位置 (get_size_screen/gsl_)
    
    gsl_ = get(0,'ScreenSize');
    

    end

    if nargout

    [varargout{1:nargout}] =gui_mainfcn(gui_State, varargin{:});
    

    else

    gui_mainfcn(gui_State, varargin{:});
    

    end

    % 初始化代码结束

    % — 可视化 NaiveBayesClassifier

    function NaiveBayesClassifier_OpeningFcn(hObject, eventdata, handles, varargin)

    % This function has nooutput args, see OutputFcn.

    % hObject handle to figure

    % eventdata reserved - to be defined in a future versionof MATLAB

    % handles structure with handles and user data (seeGUIDATA)

    % varargin command line arguments toNaiveBayesClassifier (see VARARGIN)

    % Choose default commandline output for NaiveBayesClassifier

    handles.output = hObject;

    % 更新结构句柄

    guidata(hObject, handles);

    % UIWAIT makesNaiveBayesClassifier wait for user response (see UIRESUME)

    %uiwait(handles.NaiveBayesClassifier);

    % 设置图像图标

    warning(‘off’,’MATLAB:HandleGraphics:ObsoletedProperty:JavaFrame’);

    jframe=get(handles.NaiveBayesClassifier,’javaframe’);

    jIcon=javax.swing.ImageIcon(‘citrus-icon.png’);

    jframe.setFigureIcon(jIcon);

    ……

    完整源码下载地址:
    (http://page2.dfpan.com/fs/fl9c9j525241a2b9166/)

    更多精彩文章请关注微信号:这里写图片描述

    展开全文
  • %书中例题实现朴素贝叶斯 %特征1的取值集合 A1=[1;2;3]; %特征2的取值集合 A2=[4;5;6];%S M L AValues={A1;A2}; %Y的取值集合 YValue=[-1;1]; %数据集和 T=...
  • 半监督朴素贝叶斯分类器。 输入半标记数据半标记数据的标签测试未标记的数据均值和标准差更新的迭代次数c 收敛标准
  • 基于MATLAB中风病常用中成药适宜人群的朴素贝叶斯分类器构建.pdf
  • 模式识别(七):MATLAB 实现朴素贝叶斯分类器

    万次阅读 多人点赞 2014-09-30 11:19:59
    今天介绍一种简单高效的分类器——朴素贝叶斯分类器(Naive Bayes Classifier)。 相信学过概率论的同学对贝叶斯这个名字应该不会感到陌生,因为在概率论中有一条重要的公式,就是以贝叶斯命名的,这就是“贝叶斯...
  • 使用基于朴素贝叶斯的机器学习的 3 类问题的一维矩阵分类。 它还包含一个基于矩阵的示例,用于输入大小为 12 和 3 个特征的样本
  • 朴素贝叶斯分类MATLAB实现

    万次阅读 多人点赞 2018-03-20 20:56:07
    原理: 首先将数据分成训练集和测试集,计算测试集中每个类的先验概率(就是每个类在训练集中占的比例),然后为样本的...%正确的个数 end end 其实MATLAB有现成的封装好的分类方法,这里只不过是把过程写了一下而已。
  • MATLAB工具箱的statistic toolbox中有naivebayes的类,可以直接使用。 使用默认的高斯分布和混淆矩阵: >> load fisheriris >> O1 = fitNaiveBayes(meas,species); 生成 其中,NClass是因变量的频数,...
  • 一 高斯朴素贝叶斯分类器代码实现 网上搜索不调用sklearn实现的朴素贝叶斯分类器基本很少,即使有也是结合文本分类的多项式或伯努利类型,因此自己写了一遍能直接封装的高斯类型NB分类器,当然与真正的源码相比少了...
  • 本文介绍基于朴素贝叶斯分类器的语音性别识别,本文基于kaggle上的一个数据集,采用朴素贝叶斯分类器,实现了通过语音识别说话人性别的功能。文章的主要内容包括背景说明、数据集介绍 、代码实现以及实验与结果分析...
  • 朴素贝叶斯分类matlab实现实验二 朴素贝叶斯分类一、实验目的通过实验,加深对统计判决与概率密度估计基本思想、方法的认识,了解影响Bayes分类器性能的因素,掌握基于Bayes决策理论的随机模式分类的原理和方法。...
  • 贝叶斯定理与朴素贝叶斯分类器

    千次阅读 2015-01-07 19:53:28
    下面就简单总结一下朴素贝叶斯分类器中的相关知识点: 一、贝叶斯定理: 朴素贝叶斯分类器是一种统计学的分类方法,其基于朴素贝叶斯定理,给定一个样本观测点,预测其属于某一类的概率。先回顾一下什么是贝叶斯定理...
  • 所以我有两种分类方法,判别分析双线性分类(朴素贝叶斯)和matlab实现的纯朴朴贝叶斯分类器,整个数据集中有23个类.第一种方法判别分析:%% Classify Clusters using Naive Bayes Classifier and classifytraining_data...
  • MNIST | 基于朴素贝叶斯分类器的0-9数字手写体识别

    千次阅读 多人点赞 2018-10-25 16:53:07
    本文介绍基于朴素贝叶斯分类器的0-9数字手写体识别,本文基于MINIST数据集,采用朴素贝叶斯分类器,实现了0-9数字手写体的识别。文章的主要内容包括背景说明、数据集介绍、代码实现以及实验与结果分析。

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,793
精华内容 717
关键字:

朴素贝叶斯分类器matlab

matlab 订阅