生物信息學(xué)課程設(shè)計--貝葉斯算法編程實現(xiàn)-wenkub
2023-01-28 14:05:16 本頁面
【正文】 The scale must be a positive integer or zero)。 } public static double mul(double v1, double v2) { BigDecimal b1 = new BigDecimal((v1))。 return (b2).doubleValue()。import 。P（X|Ci）=、基于對問題的java算法分析首先需要將所有的訓(xùn)練數(shù)據(jù)讀入到ArrayListArrayListString對象集合中去，其中每一條訓(xùn)練數(shù)據(jù)對應(yīng)一個ArrayListString對象集合。假定有m個類C1，C2，…，Cm，給定一個未知數(shù)據(jù)樣本X（即沒有類編號），分類器將預(yù)測X屬性與最高后驗概率的類。對與分類問題，希望確定P(H|X)，即給定觀測數(shù)據(jù)樣本X，假定H成立的概率。在屬 性個數(shù)比較多或者屬性之間相關(guān)性較大時，NBC模型的分類效率比不上決策樹模型。 貝葉斯算法特點和決策樹模型相比，樸素貝葉斯模型發(fā)源于古典數(shù)學(xué)理論，有著堅實的數(shù)學(xué)基礎(chǔ)，以 及穩(wěn)定的分類效率。在許多場合，樸素貝葉斯(Na239。ve Bayes，NB)分類算法可以與決策樹和神經(jīng)網(wǎng)絡(luò)分類算法相媲美，且方法簡單、分類準確率高、速度快。同時，NBC模型所需估計的參數(shù)很少，對缺失數(shù)據(jù)不太敏感，算法也比較簡單。而在屬性相關(guān)性較小時，NBC模型的性能最為良好。貝葉斯定理給出了如下計算P(H|X)的簡單有效的方法：P（H|X）=P（X|H）P（H）/P（X）其中P（H）稱為先驗概率，P（X|H）表示假設(shè)H成立時觀查到X的概率。也就是說，樸素貝葉斯分類將未知樣本分配給Ci（1=i=m），當且僅當P（Ci|X）P（Cj|X），j=1，2,…m，j不等于i這樣最大的P（Ci|X）對應(yīng)的類Ci稱為最大后驗假定。同理用readTestData()將測試元組讀如ArrayListString對象集合中去。public class DecimalCalculate { private static final int DEF_DIV_SCALE = 10。 } public static double sub(double v1, double v2) { BigDecimal b1 = new BigDecimal((v1))。 BigDecimal b2 = new BigDecimal((v2))。 } BigDecimal b1 = new BigDecimal((v1))。 } BigDecimal b = new BigDecimal((v))。 return ()。 return ()。 } public static double returnMin(double v1, double v2) { BigDecimal b1 = new BigDecimal(v1)。 BigDecimal b2 = new BigDecimal(v2)。import 。import .*。 while (!(str = ()).equals()) { StringTokenizer tokenizer = new StringTok
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1