bayesian

    1熱度

    2回答

    感謝您的閱讀。 我想使用Matlab的BNT工具箱實現Baysian網絡。事情是,我找不到「簡單」的例子,因爲這是我第一次需要處理BN。 你能提出一些可能的應用程序,(請不要多節點)請^^?

    1熱度

    1回答

    我試圖找出如何使用Accord.Net Framework,使使用機器學習NaiveBayes類貝葉斯預測。我遵循文檔中列出的example code,並能夠從示例創建模型。 我無法弄清楚是如何使基於該模型的預測。 的Accord.Net框架的工作方式是,將其轉換成字符串使用一種稱爲Codification類這些字符串的數字symolic表示的表。這裏是我創建的輸入和輸出數據表模型進行訓練(90%

    1熱度

    1回答

    所以我試圖解決貝葉斯網絡的問題。我知道一些事件的條件概率,說它會下雨。假設我測量四個傳感器(A1-A4)中的每一個的(布爾值)值。我知道下雨的可能性,並且我知道在每個傳感器上進行測量時雨的可能性。 現在我添加一個新的轉折。 A4不再可用,但B1和B2(它們也是布爾傳感器)。給出A4的測量結果,我知道B1和B2的條件概率。如何將這些概率合併到我的貝葉斯網絡中以替換A4中丟失的數據?

    4熱度

    2回答

    我對OpenCV非常陌生。我正在嘗試使用CvNormalBayesClassifier來訓練我的程序以學習皮膚像素顏色。 目前在不同的光照條件和背景下,我已經有大約20張人體圖片(臉部/其他身體部位)。我還得到了20個相應的響應,其中皮膚部分標記爲紅色,其他標記爲綠色。 我有問題,瞭解如何使用功能 bool CvNormalBayesClassifier::train(const CvMat* _

    0熱度

    1回答

    當在matlab中使用貝葉斯分類器時,避免過度擬合和不準確的最好方法是什麼? 我現在使用了1000個樣本,其中750個是「正常」,250個是「異常」(一種特定種類)的訓練數據。 有沒有人找到很好的比例來訓練分類器,或者每個問題都需要特定數量的訓練數據。我會假設後者,但我正在努力弄清楚如何提高準確度,我可以使用什麼方法。任何例子都會很感激。 下面是我現在使用的一個例子: training_data

    6熱度

    2回答

    我正在寫一個樸素貝葉斯分類器,用於執行WiFi信號強度的室內房間本地化。到目前爲止,它運行良好,但我有一些關於缺少功能的問題。這經常發生,因爲我使用WiFi信號,並且WiFi接入點在任何地方都不可用。 問題1:假設我有兩個類Apple和Banana,並且我想按以下方式對測試實例T1進行分類。 我完全瞭解樸素貝葉斯分類的作品。以下是我在分類器上從Wikipedia's article使用的公式。我使

    0熱度

    2回答

    我正在研究貝葉斯概率項目,我需要根據新信息調整概率。我還沒有找到一個有效的方法來做到這一點。我試圖做的是以不同場景的等概率列表開始。防爆。 有6人:E,T,M,Q,L和Z,並且被選擇在一個人在第一第三字母順序具有集體 myList=[.1667, .1667, .1667, .1667, .1667, .1667] 新的信息面表示的其初始相應概率70%的機會被選中。新名單按名稱(E,L,M,Q

    1熱度

    1回答

    我一直在試圖用貝葉斯方法解決一個問題,但我無法弄清楚如何編寫模型。 我試圖找到mu的值,使得x = mu + Error,Error〜Gamma(a,b)(或其他一些分佈)。 基本上我希望能夠這樣說: for(i in 1:N) { x[i] <- mu + tau[i] tau[i] ~ dgamma(0.001, 0.001) } mu ~ dunif(0.0, 100

    1熱度

    1回答

    我已經實現了一個樸素貝葉斯垃圾郵件過濾器,它可以在給定的數據集上學習,然後預測任何新的輸入爲垃圾郵件或火腿。但是現在我想在其中加入信息檢索技術,以提高過濾器的有效性。例如,如果不是寫入viagra v1agra或mtrtgage被寫入,那麼拼寫錯誤的更正就是樸素貝葉斯應該糾正它,它不應該在計算概率時產生任何問題。 任何好的教程或一些將信息檢索技術與Java中的某些實現結合起來的工作將會很有幫助。

    0熱度

    1回答

    我有一個概率/統計問題有關實現樸素貝葉斯分類器,特別是實施拉普拉斯平滑,以避免零計數問題和過度擬合。 。據我讀,使用MLE基本NBC公式看起來像這樣: p(C│F_1 ...F_n)=(p(C)p(F_1 |C)...p(F_n |C))/(p(F_1)...p(F_n)) 然而,如果(F_i | C)在p中的一個是零,整個概率變爲0的一個解決方案是Lapace平滑 p(F_i│C)~(x_i