生物信息學(xué)課程設(shè)計(jì)--貝葉斯算法編程實(shí)現(xiàn)-全文預(yù)覽
【正文】 new BigDecimal(v2)。 return ()。 return (one, scale, ).doubleValue()。 return (b2, scale, ).doubleValue()。 } public static double div(double v1, double v2) { return div(v1, v2, DEF_DIV_SCALE)。 return (b2).doubleValue()。 BigDecimal b2 = new BigDecimal((v2))。、程序流程圖設(shè)計(jì)第三部分 實(shí)現(xiàn)設(shè)計(jì)語(yǔ)言選擇與算法編程實(shí)現(xiàn)、java算法實(shí)現(xiàn)package 。注意假設(shè)不是等概率的，那么類的先驗(yàn)概率可以用P（Ci）=si/s計(jì)算，其中si是類Ci的訓(xùn)練樣本數(shù)，而s是訓(xùn)練樣本總數(shù)。每一個(gè)樣本數(shù)據(jù)用一個(gè)n維特征向量X={x1，x2，x3，…，xn}表示，分別描述具有n個(gè)屬性A1，A1，…An的樣本的n個(gè)度量。第二部分 算法分析與程序流程圖設(shè)計(jì)、基于對(duì)問(wèn)題的分析對(duì)問(wèn)題進(jìn)行分析，設(shè)X是類標(biāo)號(hào)未知的數(shù)據(jù)樣本，設(shè)H為某種假的，如數(shù)據(jù)養(yǎng)本X屬于某特定的類C。 但是實(shí)際上并非總是如此，這是因?yàn)镹BC模型假設(shè)屬性之間相互獨(dú)立，這個(gè)假設(shè)在實(shí)際應(yīng)用中往往是不成立的，這給NBC模型的正確分類帶來(lái)了一定影響。為此，就出現(xiàn)了許多降低獨(dú)立性假設(shè)的貝葉斯分類算法，如TAN(tree augmented Bayes network)算法。算法課程設(shè)計(jì)報(bào)告（算法編程實(shí)現(xiàn)類） 貝葉斯算法編程實(shí)現(xiàn)院 系 部 門： 重慶郵電大學(xué) 學(xué) 生 學(xué) 號(hào)： ********* 學(xué) 生 姓 名： ********* 指 導(dǎo) 教 師： ***** 生物信息學(xué)院制2013年5月第一部分 貝葉斯算法研究背景、特點(diǎn)與發(fā)展 3 貝葉斯算法研究背景 3 貝葉斯算法特點(diǎn) 3 貝葉斯算法發(fā)展 3第二部分 算法分析與程序流程圖設(shè)計(jì) 基于對(duì)問(wèn)題的分析 基于對(duì)問(wèn)題的java算法分析 程序流程圖設(shè)計(jì) 5第三部分 實(shí)現(xiàn)設(shè)計(jì)語(yǔ)言選擇與算法編程實(shí)現(xiàn) java算法實(shí)現(xiàn) 5第四部分 程序測(cè)試與結(jié)果分析 10 10 11第五部分 總結(jié)與心得體會(huì) 11 11第六部分 參考文獻(xiàn) 12（2個(gè)） 12 第一部分 貝葉斯算法研究背景、特點(diǎn)與發(fā)展 貝葉斯算法研究背景貝葉斯分類算法是統(tǒng)計(jì)學(xué)分類方法，它是一類利用概率統(tǒng)計(jì)知識(shí)進(jìn)行分類的算法。由于貝葉斯定理假設(shè)一個(gè)屬性值對(duì)給定類的影響?yīng)毩⒂谄渌鼘傩缘闹?，而此假設(shè)在實(shí)際情況中經(jīng)常是不成立的，因此其分類準(zhǔn)確率可能會(huì)下降。理論上，NBC模型與其他分類方法相比具有最小的誤差率。 貝葉斯算法發(fā)展貝葉斯分類理論有最初的樸素貝葉斯于EM算法，灰色關(guān)系繼續(xù)發(fā)展為基于改進(jìn)EM的樸素貝葉斯分類理論。P（H|X）表示后驗(yàn)概率。由于P（X）對(duì)于所有類是常數(shù)，只需要P（X|Ci）P（Ci）最大即可。下面就需要將ArrayListArrayListString
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1