墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
500+累计阅读
503平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
假设袋子里面有n个白球，m个黑球，你伸手进去摸一把，摸出黑球的概率是多大
如果我们事先并不知道袋子里面黑白球的比例，而是闭着眼睛摸出一个（或好几个）球，观察这些取出来的球的颜色之后，那么我们可以就此对袋子里面的黑白球的比例作出什么样的推测。
问题是我们看到用户输入了一个不在字典中的单词，我们需要预测真正想输入的单词是什么
假设用户实际输入的单词记为D
根据猜测1原始公式不好求，根据贝叶斯算法公式对原始公式进行转化
p（D）为输错单词的概率，对结果影响不大，可约去
p（D｜h）为输错与正确单词的可能性大小
p（h）为先验概率，取决于这个猜测本身独立的可能性大小
抛一个硬币，观察到的是正，根据最大似然估计的精神，我们应该猜测这枚硬币抛出正的概率是1，因为这个才是能最大化p（D｜h）的那个猜测
数据集
通过贝叶斯算法来估计这个苹果是否为好果
各种特征之间相互独立
朴素贝叶斯分类器：例子解释_算法channel的博客-优快云博客
贝叶斯全局优化（LightGBM调参）
GridSearchCV调参-----------------太慢，效果也不好 这里结合Kaggle比赛的一个数据集，记录一下使用贝叶斯全局优化和高斯过程来寻找最佳参数的方法步骤。 1.安装贝叶斯全局优化库 从pip安装最新版本 pip install bayesian-optimization 2.加载数据集 import pandas as pd import numpy as np fro...
Kaggle 机器学习实战 朴素贝叶斯（原理+西瓜数据集实战）
类别先验概率的估计，即某一类的数量占总体数量的比例 P(c)=DcD P(c)=\frac{D_c}{D} P(c)=DDc 类别概率密度估计，即类条件概率，分两种情况 xix_ixi离散情况：Dc,xiD_{c,x_i}Dc,xi表示DcD_cDc在第iii个属性上取值为xix_ixi的样本组成的集合 P(xi∣c)=Dc,xiDc P(x_i|c)=\frac{D_{c,x_i}}{D_c} P(xi∣c)=DcDc,xi xix_ixi连续情况：由某一概率密度估计
用贝叶斯模型解码睡眠健康：基于Kaggle数据集的实战分析
基于 Kaggle 上的 Sleep Health and Lifestyle Dataset，构建了一个贝叶斯逻辑回归模型，旨在预测个体患睡眠障碍的概率，并深入探讨概率模型与传统非概率模型的差异。
kaggle | 基于朴素贝叶斯分类器的语音性别识别
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。
[kaggle竞赛实践3] Titanic幸存预测问题--朴素贝叶斯解决方法
使用朴素贝叶斯的方法解决这个问题 先贴代码，明天补充，睡觉 数据处理和朴素贝叶斯py # -*- coding: utf-8 -*- ''' Created on Oct 12, 2010 Decision Tree Source Code for Machine Learning in Action Ch. 3 @author: Peter Harrington ''' from
Kaggle电影评论情感分析
目录1. 导入数据集2. 构建语料库3. 特征工程4. 构建分类器算法4.1 多项式朴素贝叶斯分类器4.2 逻辑回归分类器4.3 增加了2个参数的逻辑回归分类器5. 对测试集的数据进行预测6. 按照kaggle比赛官网的要求整理格式疑问 kaggle没什么可怕的。 简单的算法也很有效，逻辑回归打遍天下。 数据预处理和特征工程很重要。 Kaggle竞赛网站： https://www.kaggle.com/c/sentiment-analysis-on-movie-reviews 1. 导入数据集 imp
机器学习——贝叶斯分类(Bayesian Classification)
机器学习学习笔记——4
Kaggle自然语言处理入门之推特灾难文本分类
前言 第一次处理文本的时候还是做毕业论文时，那个时候什么也不懂，为了方便，用EXCEl进行了文本的预处理，然后用在线词云进行了画图和分词，导出的结果用ROST-CM做了情感分析和社会网络分析，最后用Gephi做了一个图，留下了不小的遗憾，好像非计算机专业的我就是入不了这个门。所以在Kaggle入门的路上看见NLP相关的东西总是有点忐忑，但是好奇心还是驱使我点开了这个数据集，这也成了我Kaggle入门以来花的时间最多的一个项目。 数据集描述 该任务全名为Natural Language Processing
kaggle电子邮件分类xgboost建模可视化模型评估混淆矩阵范例
在这篇博客中，我们将探索使用机器学习技术对电子邮件进行分类的任务，即将电子邮件分类为“垃圾邮件”或“正常邮件”。所谓“垃圾邮件”，指的是未经请求或不受欢迎的电子邮件；而“正常邮件”则指合法的电子邮件。我们将采用强大的XGBoost分类器，构建一个健壮的模型来执行此分类任务。这篇博客将详细介绍从数据预处理到模型训练及评估的整个过程，使用Kaggle竞赛中的代码示例，帮助小伙伴们理解如何实现一个电子邮件分类系统。
机器学习——算法基础（KNN，朴素贝叶斯）
机器学习——算法基础（KNN，朴素贝叶斯）转换器与估计器转换器估计器sklearn机器学习算法的实现-估计器估计器的工作流程分类算法-k近邻算法(KNN)什么是k近邻算法(KNN)sklearn k-近邻算法APIKaggle案例数据来源数据处理代码与结果k-近邻算法优缺点分类算法-朴素贝叶斯朴素贝叶斯-贝叶斯公式sklearn朴素贝叶斯实现API朴素贝叶斯案例流程代码与结果朴素贝叶斯分类优缺点分类模型的评估混淆矩阵精确率(Precision)与召回率(Recall)其他分类标准分类模型评估API模型的选择
数据挖掘实战-基于朴素贝叶斯算法构建真假新闻分类模型
本实验数据集来源于Kaggle，合并后的数据集共有44898条，5个变量。关于数据集数据集分为两个文件：Fake.csv（23502 条假新闻文章）True.csv（21417 篇真实新闻文章）数据集列：标题：新闻文章的标题文本：新闻文章的正文主题：新闻文章的主题日期：新闻文章的发布日期。
kaggle比赛必备算法XGBoost入门及实战
一文了解 xgboost 算法基本原理以及实战用法！
贝叶斯网络分析kaggle泰坦尼克号（Titanic）.pdf
**主要是让参赛选手根据训练集中的乘客数据和存活情况进行建模，进而使用模型预测测试集中的乘客是否会存活。乘客特征总共有11个，以下列出。当然也可以根据情况自己生成新特征，这就是特征工程（feature engineering）要做的事情了。**
Python算法练习（七）// 算法：朴素贝叶斯，数据集：Kaggle 旧金山犯罪分类预测
一、导入包 二、导入数据 三、探索数据 四、数据预处理 五、模型构建与评估 六、预测
【WSL】window11 安装WSL2配置conda环境及mlatom环境搭建
写这篇文章之前自己安装过两次环境，可能每次都会产生碰到同样的问题，为了搭建适合自己的虚拟环境保证每一步的正确性，按顺序记录一下。
Unity ProBuilder（自己创建斜面、拐角）
ProBuilder基础实例
[kaggle系列 一] 使用贝叶斯分类器判断是否能从泰坦尼克号生还
前两天有个朋友给我推荐了kaggle这个网站，感觉对于我这种想要学习却不太清楚如何实践的新手来说是个很有效的学习方式。 之前学的东西都比较乱，这边学一点，那边学一点，这次要一步一步的，从简到难好好搞一搞~ 做这个的目的呢，主要是学习机器学习人工智能这方面的东西，通过具体的问题，把不同的算法放上去尝试，同时，也可以给想要学习的同学提供一些比较简单的方式~ 之前看教程，感觉都是没有例子或者没有理论
Spring AI 实战：5 分钟搭建你的第一个 AI 应用（含完整代码）
能力关键 API适用场景基础对话简单问答、文本生成流式输出实时打字机效果@Bean模型需要调用外部工具结构化输出需要返回 Java 对象多轮对话聊天机器人场景Spring AI 让 Java 开发者可以用最熟悉的方式（Spring Boot + Maven）进入 AI 应用开发领域，不用学新语言，不用换框架，这是它最大的优势。但目前为止，我们的 AI 应用只能回答"它脑子里已有的知识"。如果让它读懂你自己的技术文档、公司内部知识库呢？这就是下一篇文章的主题——RAG（检索增强生成）实战。
机器学习_朴素贝叶斯算法识别手写数字
朴素贝叶斯算法是基于条件概率的一种分类算法，通过概率大小来进行分类，经常用于分类文档。本文用python实现朴素贝叶斯算法，并用kaggle识别手写数字的数据集来训练，得到81%的准确率。虽然准确率可能比不上其它如SVM、神经网络等算法，但是朴素贝叶斯算法相对来说简单，计算速度也较快。 朴素贝叶斯理论说明 朴素贝叶斯的基本公式： P(c1|w)>P(c0|w)P(c1|w)...
为什么BGA焊点总在四个角先坏？一次热-振耦合仿真给你讲明白
本文通过Ansys Workbench进行热-振耦合仿真，深入分析了BGA焊点在四个角点先失效的机理。研究发现，角点焊点由于CTE失配、振动载荷放大及几何应力集中等因素，承受的等效塑性应变和动态应力显著高于中心区域，导致其疲劳寿命大幅降低。仿真数据揭示了角点焊点的应力分布和蠕变特性，为电子封装可靠性设计提供了重要依据。
PRIDE数据库20年：2025更新
PRoteomics IDEntifications (PRIDE)数据库(https://www.ebi.ac.uk/pride/)是全球领先的基于质谱(MS)的蛋白质组学数据存储库，也是ProteomeXchange联盟的创始成员之一。本文总结了过去3年中PRIDE资源及相关工具的发展情况。提交到PRIDE存档的数据集数量平均每月达到约534个。主要得益于基础设施的持续改进，如用于超大数据集的新文件传输协议(Globus)、新的数据重新提交流程以及自动数据集验证过程。
基于kaggle数据集--语音性别识别分类
基于kaggle数据集--语音性别识别分类前言数据集介绍朴素贝叶斯分类原理朴素贝叶斯分类流程本实验所采用模型实验过程流程框图及程序文件数据集处理量化训练测试核心代码注意点后记 前言 大家好！临近期末，本人需要交一份模式识别课程大作业，作业内容是：“用传统的方法对kaggle语音数据集进行性别分类。那么何谓传统的方法，在查阅相关资料后，决定采用朴素贝叶斯分类器对其分类。这是小编第一次写博客，有什么不...
【Agent】AI Agent架构趋势及演进
本文系统介绍了AI Agent架构的发展趋势和技术框架，涵盖单Agent与多Agent系统设计、提示词工程与上下文管理、SpringAI开发框架等关键技术。重点阐述了AI原生应用参考架构，包括Nacos配置管理、Higress AI网关、RocketMQ会话状态管理等核心组件解决方案。同时深入探讨了AI应用可观测性体系，包含OpenTelemetry全链路追踪、关键指标监控以及基于LoongSuite开源工具的数据采集评估方法，为构建高效可靠的AI应用提供了全景式技术参考。
kaggle 旧金山犯罪案件分类预测
kaggle上对旧金山城市的犯罪案件进行分类，属于多分类问题，提供的数据特征包含时间、地点、描述等。 导入数据和包 #imports import pandas as pd import numpy as np import matplotlib.pyplot as plt import time as systime import datetime as dt import string i...
拉曼光谱入门：10.显微拉曼与共聚焦技术
本文系统阐述了显微拉曼光谱技术与共聚焦原理的融合机制，详细解析了从激光激发、针孔空间滤波到光谱采集的完整光路架构，阐明了共聚焦设计在提升三维空间分辨率、抑制荧光背景及实现微区无损层析方面的核心优势，并探讨了关键光学器件的性能边界与系统技术局限。
【RT-DETR涨点改进】全网独家创新、细节涨点改进篇 | AAAI 2025 | 将 CEM 颜色增强模块引入RT-DETR ，目标检测不再惧怕雾天和低光检测、小目标检测、遥感目标检测高效涨点
本文提出了一种新型结构引导去雾网络（SGDN），通过双色引导桥（BGB）和色彩增强模块（CEM）有效解决雾霾图像去雾问题。BGB利用YCbCr空间的纹理特征引导RGB特征恢复，CEM通过聚合YCbCr通道信息增强RGB色彩感知。实验证明该方法在真实雾霾数据集上优于现有技术，能同时保持色彩准确性和纹理清晰度。文章还提供了完整的代码实现和模型配置指南，包括三种改进版RT-DETR网络结构（rtdetr-l/r18/r50-CEM.yaml），为图像去雾和目标检测任务提供了实用解决方案。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
7879
扫一扫
