samples = []
for _ in range(10):
s = {}
for n in nodes:
rnd = np.random.rand()
node = node_dict[n.name]
if len(network[n.name]) == 0:
s[n.name] = True if rnd < node.cpt.value else False
else:
get_val = lambda x: (x.value[0] if s[x.condition] else x.value[1]) if isinstance(x.value, tuple) else x.value
val = node.cpt
while not isinstance(val, float):
val = get_val(val)
s[n.name] = True if rnd < val else False
print(s)
长短期记忆网络（LSTM）对大数据训练具有很强的适应性和出色的扩展性，相较于RNN无法处理长期依赖的问题具有很大的优势。基于LSTM神经网络，针对人为经验调参困难的问题，提出了一种基于贝叶斯优化的LSTM模型，使用贝叶斯对LSTM的超参数进行优化，得到最佳的LSTM参数设置情况，并使用该最佳网络进行实际回归预测，结果表明，基于贝叶斯优化的LSTM模型表现出了良好的性能，预测精度较高。
这两天学习了一个相对照较简单可是十分有用的分类算法——贝叶斯分类算法，与我做项目使用的svm算法相比确实有非常多精妙之处，。好比撒尿牛丸——好吃又好玩。而贝叶斯分类器则是简单又强大。本文结合简单天气预报进行解说。
贝叶斯定理：
贝叶斯定理是概率论里面一个计算条件概率的法器！为什么是法器，且看后文。先摆出计算公式：
或许乍一看这公式没什么。可是我们先将公式移项...
我想建立一个离散的贝叶斯网络(pymc.分类)依赖于其他分类变量的变量。作为一个simplest的例子，假设变量a和b是范畴的，并且b依赖于a这里尝试用pymc编码它(假设a取三个值中的一个，b取四个值中的一个)。其想法是，CPT分布将从使用pymc的数据中学习。在import numpy as npimport pymc as pmaRange = 3bRange = 4#make variab...
该算法以十个样例为训练集，四个为测试集，通过处理，能够大致预测在不同天气的情况下，是否可以去打网球。（2）软件环境：本实验的软件环境主要为Windows操作系统，Pycharm工具。（1）硬件环境：Intel(R) Core(TM) i7-7700HQ CPU。（3）计算概率（先验概率、条件概率、联合概率）（4）根据贝叶斯公式计算预测概率。（2）分析处理数据集数据。（1）提取数据集数据。
using namespace std;
int cnt_sun, cnt_clo,cnt_rain;// 各天气出现频数
int cnt_sun2,cnt_clo2,cnt_rain2;// 各天气在某条件下出现频数
double P_clo,P_rain,P_sun;// 各天气出现概率
double P_clo2,P_rain2,P_sun2;// 某天气出现
** 基本原理：**
朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法，朴素贝叶斯分类器有着坚实的数学基础与稳定的分类效率，而且所需估计的参数很少，对缺失数据不太敏感。理论上，朴素贝叶斯分类器模型与其他分类方法相比具有最小的误差率。
朴素贝叶斯中的朴素是认为各个特征或者属性条件之间相互独立，这种假设在实际中有时并不成立，因此分类并不稳定，贝叶斯代表根据贝叶斯定理构建分类模型
贝叶斯算法：
P(A|B)=P(B|A)*P(A)/P(B)
P(B) 为先验概率 P(B|A)为相对于B的条件概率 P.
朴素贝叶斯是一种基于贝叶斯定理的分类方法。该算法是有监督的学习算法，解决分类问题。在该算法中，我们假设给定目标值时，属性之间相互条件独立，即
。贝叶斯定理：对于分类问题，样本x属于类别y的概率
其中， P(y)是指未使用数据训练分类器之前的y的初始概率，称为先验概率； P(x|y)是样本x相对于类别y的类条件概率，称为似然； P(y|x)是给定x时，y成立的概率，称为后验概率；P(x)是归一
