Table des matières
Naive Bayes(朴素贝叶斯算法)[分类算法],naivebayes
Naïve Bayes(朴素贝叶斯)分类算法的实现
Maison php教程 php手册 Naive Bayes(朴素贝叶斯算法)[分类算法],naivebayes

Naive Bayes(朴素贝叶斯算法)[分类算法],naivebayes

Jun 13, 2016 am 08:51 AM
分类 算法

Naive Bayes(朴素贝叶斯算法)[分类算法],naivebayes

Naïve Bayes(朴素贝叶斯)分类算法的实现

(1) 简介:

(2)   算法描述:

 

(3)  

<span>  1</span> <?<span>php
</span><span>  2</span> <span>/*</span>
<span>  3</span> <span>*Naive Bayes朴素贝叶斯算法(分类算法的实现)
</span><span>  4</span> <span>*/</span>
<span>  5</span> 
<span>  6</span> <span>/*</span>
<span>  7</span> <span>*把.txt中的内容读到数组中保存
</span><span>  8</span> <span>*$filename:文件名称
</span><span>  9</span> <span>*/</span>
<span> 10</span> <span>//</span><span>--------------------------------------------------------------------</span>
<span> 11</span> <span>function</span>  getFileContent(<span>$filename</span><span>)
</span><span> 12</span> <span>{
</span><span> 13</span>     <span>$array</span> = <span>array</span>(<span>null</span><span>);
</span><span> 14</span>     <span>$content</span> = <span>file_get_contents</span>(<span>$filename</span><span>);
</span><span> 15</span>     <span>$result</span> = <span>explode</span>("\r\n",<span>$content</span><span>);
</span><span> 16</span>     <span>//</span><span>print_r(count($result));</span>
<span> 17</span>     <span>for</span>(<span>$j</span>=0;<span>$j</span><<span>count</span>(<span>$result</span>);<span>$j</span>++<span>)
</span><span> 18</span> <span>    {
</span><span> 19</span>         <span>//</span><span>print_r($result[$j]."<br>");</span>
<span> 20</span>         <span>$con</span> = <span>explode</span>(" ",<span>$result</span>[<span>$j</span><span>]);
</span><span> 21</span>         <span>array_push</span>(<span>$array</span>,<span>$con</span><span>);
</span><span> 22</span> <span>    }
</span><span> 23</span>     <span>array_splice</span>(<span>$array</span>,0,1<span>);
</span><span> 24</span>     <span>return</span> <span>$array</span><span>;
</span><span> 25</span> <span>}
</span><span> 26</span> <span>//</span><span>--------------------------------------------------------------------</span>
<span> 27</span> 
<span> 28</span> 
<span> 29</span> <span>/*</span>
<span> 30</span> <span>*NaiveBayes朴素贝叶斯算法
</span><span> 31</span> <span>*$test:测试文本;$train:训练文本;$flagsyes:yes;$flagsno:no
</span><span> 32</span> <span>*/</span>
<span> 33</span> <span>//</span><span>--------------------------------------------------------------------</span>
<span> 34</span> <span>function</span>  NaiveBayes(<span>$test</span>,<span>$train</span>,<span>$flagsyes</span>,<span>$flagsno</span><span>)
</span><span> 35</span> <span>{
</span><span> 36</span>     <span>$count_yes</span> = 0<span>;
</span><span> 37</span>     <span>$num</span> = <span>count</span>(<span>$train</span>[0<span>]);
</span><span> 38</span>     <span>for</span>(<span>$i</span>=1;<span>$i</span><<span>count</span>(<span>$train</span>);<span>$i</span>++<span>)
</span><span> 39</span> <span>    {
</span><span> 40</span>         <span>if</span>(<span>$train</span>[<span>$i</span>][<span>$num</span>-1]==<span>$flagsyes</span>)<span>$count_yes</span>++<span>;
</span><span> 41</span> <span>    }
</span><span> 42</span>     <span>$p_yes</span> = <span>$count_yes</span> / (<span>count</span>(<span>$train</span>)-1<span>);
</span><span> 43</span>     <span>$p_no</span> = 1- <span>$p_yes</span><span>;
</span><span> 44</span>     
<span> 45</span>     <span>$count_no</span> = <span>count</span>(<span>$train</span>)-1 - <span>$count_yes</span><span>;
</span><span> 46</span> 
<span> 47</span>     
<span> 48</span>     <span>for</span>(<span>$i</span>=1;<span>$i</span><<span>count</span>(<span>$test</span>)-1;<span>$i</span>++<span>)
</span><span> 49</span> <span>    {
</span><span> 50</span>         <span>$testnumyes</span> = 0<span>;
</span><span> 51</span>         <span>$testnumno</span> = 0<span>;
</span><span> 52</span>         <span>for</span>(<span>$j</span>=1;<span>$j</span><<span>count</span>(<span>$train</span>);<span>$j</span>++<span>)
</span><span> 53</span> <span>        {
</span><span> 54</span>             <span>if</span>((<span>$train</span>[<span>$j</span>][<span>$i</span>]==<span>$test</span>[<span>$i</span>])&&(<span>$train</span>[<span>$j</span>][<span>count</span>(<span>$test</span>)-1]==<span>$flagsyes</span>))<span>$testnumyes</span>++<span>;
</span><span> 55</span>             <span>else</span> <span>if</span>((<span>$train</span>[<span>$j</span>][<span>$i</span>]==<span>$test</span>[<span>$i</span>])&&(<span>$train</span>[<span>$j</span>][<span>count</span>(<span>$test</span>)-1]==<span>$flagsno</span>))<span>$testnumno</span>++<span>;
</span><span> 56</span> <span>        }
</span><span> 57</span>         
<span> 58</span>         <span>$array_yes</span>[<span>$i</span>] = <span>$testnumyes</span> / <span>$count_yes</span><span> ;
</span><span> 59</span>         <span>$array_no</span>[<span>$i</span>] = <span>$testnumno</span> / <span>$count_no</span><span> ;
</span><span> 60</span> <span>/*</span>        
<span> 61</span> <span>        print_r($testnumyes."<br>");
</span><span> 62</span> <span>        print_r($testnumno."<br>");
</span><span> 63</span> <span>        print_r($count_yes."<br>");
</span><span> 64</span> <span>        print_r($count_no."<br>");
</span><span> 65</span> <span>        print_r($array_no[$i]."<br>");
</span><span> 66</span> <span>*/</span>    
<span> 67</span> <span>    }
</span><span> 68</span> 
<span> 69</span>     <span>$py</span>=1<span>;
</span><span> 70</span>     <span>$pn</span>=1<span>;
</span><span> 71</span>     <span>for</span>(<span>$i</span>=1;<span>$i</span><<span>count</span>(<span>$test</span>)-1;<span>$i</span>++<span>){
</span><span> 72</span>         <span>$py</span> *= <span>$array_yes</span>[<span>$i</span><span>];
</span><span> 73</span>         <span>$pn</span> *= <span>$array_no</span>[<span>$i</span><span>];
</span><span> 74</span> <span>    }
</span><span> 75</span>     
<span> 76</span>     <span>$py</span> *= <span>$p_yes</span><span>;
</span><span> 77</span>     <span>$pn</span> *= <span>$p_no</span><span>;
</span><span> 78</span>     
<span> 79</span>     <span>if</span>(<span>$py</span>><span>$pn</span>)<span>return</span> <span>$flagsyes</span><span>;
</span><span> 80</span>     <span>else</span> <span>return</span> <span>$flagsno</span><span>;
</span><span> 81</span>     
<span> 82</span> <span>/*</span><span>    print_r($py."<br>");
</span><span> 83</span> <span>        print_r($pn."<br>");
</span><span> 84</span> <span>*/</span>    
<span> 85</span>     
<span> 86</span> <span>}
</span><span> 87</span> <span>//</span><span>--------------------------------------------------------------------</span>
<span> 88</span> 
<span> 89</span> <span>$train</span> = getFileContent("train.txt"<span>);
</span><span> 90</span> <span>$test</span> = getFileContent("test.txt"<span>);
</span><span> 91</span> 
<span> 92</span> <span>for</span>(<span>$i</span>=1;<span>$i</span><<span>count</span>(<span>$test</span>);<span>$i</span>++<span>)
</span><span> 93</span> <span>{
</span><span> 94</span>     <span>$test</span>[<span>$i</span>][<span>count</span>(<span>$test</span>[0])-1] = NaiveBayes(<span>$test</span>[<span>$i</span>],<span>$train</span>,Y,<span>N);
</span><span> 95</span> <span>}
</span><span> 96</span> 
<span> 97</span> <span>/*</span>
<span> 98</span> <span>*将数组中的内容读到.txt中
</span><span> 99</span> <span>*/</span>
<span>100</span> <span>//</span><span>--------------------------------------------------------------------</span>
<span>101</span> <span>$fp</span>= <span>fopen</span>('result.txt','wb'<span>);
</span><span>102</span> <span>for</span>(<span>$i</span>=0;<span>$i</span><<span>count</span>(<span>$test</span>);<span>$i</span>++<span>)
</span><span>103</span> <span>{
</span><span>104</span>     <span>$temp</span> = <span>NULL</span><span>;
</span><span>105</span>     <span>for</span>(<span>$j</span>=0;<span>$j</span><<span>count</span>(<span>$test</span>[<span>$i</span>]);<span>$j</span>++<span>)
</span><span>106</span> <span>    {
</span><span>107</span>         <span>$temp</span> =  <span>$test</span>[<span>$i</span>][<span>$j</span>]."\t"<span>;
</span><span>108</span>         <span>fwrite</span>(<span>$fp</span>,<span>$temp</span><span>);
</span><span>109</span> <span>    }
</span><span>110</span>     <span>fwrite</span>(<span>$fp</span>,"\r\n"<span>);
</span><span>111</span> <span>}
</span><span>112</span> <span>fclose</span>(<span>$fp</span><span>);
</span><span>113</span> <span>//</span><span>--------------------------------------------------------------------</span>
<span>114</span> 
<span>115</span> <span>/*</span>
<span>116</span> <span>*打印输出
</span><span>117</span> <span>*/</span>
<span>118</span> <span>//</span><span>--------------------------------------------------------------------</span>
<span>119</span> <span>echo</span> "<pre class="brush:php;toolbar:false">"<span>;
</span><span>120</span> <span>print_r</span>(<span>$test</span><span>);
</span><span>121</span> <span>echo</span> "
Copier après la connexion
"; 122 //-------------------------------------------------------------------- 123 ?>

 

 

 

  

Déclaration de ce site Web
Le contenu de cet article est volontairement contribué par les internautes et les droits d'auteur appartiennent à l'auteur original. Ce site n'assume aucune responsabilité légale correspondante. Si vous trouvez un contenu suspecté de plagiat ou de contrefaçon, veuillez contacter admin@php.cn

Outils d'IA chauds

Undresser.AI Undress

Undresser.AI Undress

Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover

AI Clothes Remover

Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool

Undress AI Tool

Images de déshabillage gratuites

Clothoff.io

Clothoff.io

Dissolvant de vêtements AI

AI Hentai Generator

AI Hentai Generator

Générez AI Hentai gratuitement.

Article chaud

R.E.P.O. Crystals d'énergie expliqués et ce qu'ils font (cristal jaune)
3 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Meilleurs paramètres graphiques
3 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Comment réparer l'audio si vous n'entendez personne
3 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
WWE 2K25: Comment déverrouiller tout dans Myrise
3 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌

Outils chauds

Bloc-notes++7.3.1

Bloc-notes++7.3.1

Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise

SublimeText3 version chinoise

Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1

Envoyer Studio 13.0.1

Puissant environnement de développement intégré PHP

Dreamweaver CS6

Dreamweaver CS6

Outils de développement Web visuel

SublimeText3 version Mac

SublimeText3 version Mac

Logiciel d'édition de code au niveau de Dieu (SublimeText3)

CLIP-BEVFormer : superviser explicitement la structure BEVFormer pour améliorer les performances de détection à longue traîne CLIP-BEVFormer : superviser explicitement la structure BEVFormer pour améliorer les performances de détection à longue traîne Mar 26, 2024 pm 12:41 PM

Écrit ci-dessus et compréhension personnelle de l'auteur : À l'heure actuelle, dans l'ensemble du système de conduite autonome, le module de perception joue un rôle essentiel. Le véhicule autonome roulant sur la route ne peut obtenir des résultats de perception précis que via le module de perception en aval. dans le système de conduite autonome, prend des jugements et des décisions comportementales opportuns et corrects. Actuellement, les voitures dotées de fonctions de conduite autonome sont généralement équipées d'une variété de capteurs d'informations de données, notamment des capteurs de caméra à vision panoramique, des capteurs lidar et des capteurs radar à ondes millimétriques pour collecter des informations selon différentes modalités afin d'accomplir des tâches de perception précises. L'algorithme de perception BEV basé sur la vision pure est privilégié par l'industrie en raison de son faible coût matériel et de sa facilité de déploiement, et ses résultats peuvent être facilement appliqués à diverses tâches en aval.

Implémentation d'algorithmes d'apprentissage automatique en C++ : défis et solutions courants Implémentation d'algorithmes d'apprentissage automatique en C++ : défis et solutions courants Jun 03, 2024 pm 01:25 PM

Les défis courants rencontrés par les algorithmes d'apprentissage automatique en C++ incluent la gestion de la mémoire, le multithread, l'optimisation des performances et la maintenabilité. Les solutions incluent l'utilisation de pointeurs intelligents, de bibliothèques de threads modernes, d'instructions SIMD et de bibliothèques tierces, ainsi que le respect des directives de style de codage et l'utilisation d'outils d'automatisation. Des cas pratiques montrent comment utiliser la bibliothèque Eigen pour implémenter des algorithmes de régression linéaire, gérer efficacement la mémoire et utiliser des opérations matricielles hautes performances.

Analyser l'utilisation et la classification des commentaires JSP Analyser l'utilisation et la classification des commentaires JSP Feb 01, 2024 am 08:01 AM

Classification et analyse de l'utilisation des commentaires JSP Les commentaires JSP sont divisés en deux types : commentaires sur une seule ligne : se terminant par, une seule ligne de code peut être commentée. Commentaires multilignes : commençant par /* et se terminant par */, vous pouvez commenter plusieurs lignes de code. Exemple de commentaire sur une seule ligne Exemple de commentaire sur plusieurs lignes/**Ceci est un commentaire sur plusieurs lignes*Peut commenter plusieurs lignes de code*/Utilisation des commentaires JSP Les commentaires JSP peuvent être utilisés pour commenter le code JSP afin de le rendre plus facile à lire

Explorez les principes sous-jacents et la sélection d'algorithmes de la fonction de tri C++ Explorez les principes sous-jacents et la sélection d'algorithmes de la fonction de tri C++ Apr 02, 2024 pm 05:36 PM

La couche inférieure de la fonction de tri C++ utilise le tri par fusion, sa complexité est O(nlogn) et propose différents choix d'algorithmes de tri, notamment le tri rapide, le tri par tas et le tri stable.

L'intelligence artificielle peut-elle prédire la criminalité ? Explorez les capacités de CrimeGPT L'intelligence artificielle peut-elle prédire la criminalité ? Explorez les capacités de CrimeGPT Mar 22, 2024 pm 10:10 PM

La convergence de l’intelligence artificielle (IA) et des forces de l’ordre ouvre de nouvelles possibilités en matière de prévention et de détection de la criminalité. Les capacités prédictives de l’intelligence artificielle sont largement utilisées dans des systèmes tels que CrimeGPT (Crime Prediction Technology) pour prédire les activités criminelles. Cet article explore le potentiel de l’intelligence artificielle dans la prédiction de la criminalité, ses applications actuelles, les défis auxquels elle est confrontée et les éventuelles implications éthiques de cette technologie. Intelligence artificielle et prédiction de la criminalité : les bases CrimeGPT utilise des algorithmes d'apprentissage automatique pour analyser de grands ensembles de données, identifiant des modèles qui peuvent prédire où et quand les crimes sont susceptibles de se produire. Ces ensembles de données comprennent des statistiques historiques sur la criminalité, des informations démographiques, des indicateurs économiques, des tendances météorologiques, etc. En identifiant les tendances qui pourraient échapper aux analystes humains, l'intelligence artificielle peut donner du pouvoir aux forces de l'ordre.

Algorithme de détection amélioré : pour la détection de cibles dans des images de télédétection optique haute résolution Algorithme de détection amélioré : pour la détection de cibles dans des images de télédétection optique haute résolution Jun 06, 2024 pm 12:33 PM

01Aperçu des perspectives Actuellement, il est difficile d'atteindre un équilibre approprié entre efficacité de détection et résultats de détection. Nous avons développé un algorithme YOLOv5 amélioré pour la détection de cibles dans des images de télédétection optique haute résolution, en utilisant des pyramides de caractéristiques multicouches, des stratégies de têtes de détection multiples et des modules d'attention hybrides pour améliorer l'effet du réseau de détection de cibles dans les images de télédétection optique. Selon l'ensemble de données SIMD, le mAP du nouvel algorithme est 2,2 % meilleur que YOLOv5 et 8,48 % meilleur que YOLOX, permettant ainsi d'obtenir un meilleur équilibre entre les résultats de détection et la vitesse. 02 Contexte et motivation Avec le développement rapide de la technologie de télédétection, les images de télédétection optique à haute résolution ont été utilisées pour décrire de nombreux objets à la surface de la Terre, notamment des avions, des voitures, des bâtiments, etc. Détection d'objets dans l'interprétation d'images de télédétection

Application d'algorithmes dans la construction de 58 plateformes de portraits Application d'algorithmes dans la construction de 58 plateformes de portraits May 09, 2024 am 09:01 AM

1. Contexte de la construction de la plateforme 58 Portraits Tout d'abord, je voudrais partager avec vous le contexte de la construction de la plateforme 58 Portraits. 1. La pensée traditionnelle de la plate-forme de profilage traditionnelle ne suffit plus. La création d'une plate-forme de profilage des utilisateurs s'appuie sur des capacités de modélisation d'entrepôt de données pour intégrer les données de plusieurs secteurs d'activité afin de créer des portraits d'utilisateurs précis. Elle nécessite également l'exploration de données pour comprendre le comportement et les intérêts des utilisateurs. et besoins, et fournir des capacités côté algorithmes ; enfin, il doit également disposer de capacités de plate-forme de données pour stocker, interroger et partager efficacement les données de profil utilisateur et fournir des services de profil. La principale différence entre une plate-forme de profilage d'entreprise auto-construite et une plate-forme de profilage de middle-office est que la plate-forme de profilage auto-construite dessert un seul secteur d'activité et peut être personnalisée à la demande. La plate-forme de mid-office dessert plusieurs secteurs d'activité et est complexe ; modélisation et offre des fonctionnalités plus générales. 2.58 Portraits d'utilisateurs de l'arrière-plan de la construction du portrait sur la plate-forme médiane 58

Ajoutez SOTA en temps réel et montez en flèche ! FastOcc : un algorithme Occ plus rapide et convivial pour le déploiement est là ! Ajoutez SOTA en temps réel et montez en flèche ! FastOcc : un algorithme Occ plus rapide et convivial pour le déploiement est là ! Mar 14, 2024 pm 11:50 PM

Écrit ci-dessus & La compréhension personnelle de l'auteur est que dans le système de conduite autonome, la tâche de perception est un élément crucial de l'ensemble du système de conduite autonome. L'objectif principal de la tâche de perception est de permettre aux véhicules autonomes de comprendre et de percevoir les éléments environnementaux environnants, tels que les véhicules circulant sur la route, les piétons au bord de la route, les obstacles rencontrés lors de la conduite, les panneaux de signalisation sur la route, etc., aidant ainsi en aval modules Prendre des décisions et des actions correctes et raisonnables. Un véhicule doté de capacités de conduite autonome est généralement équipé de différents types de capteurs de collecte d'informations, tels que des capteurs de caméra à vision panoramique, des capteurs lidar, des capteurs radar à ondes millimétriques, etc., pour garantir que le véhicule autonome peut percevoir et comprendre avec précision l'environnement environnant. éléments , permettant aux véhicules autonomes de prendre les bonnes décisions pendant la conduite autonome. Tête

See all articles