贝叶斯二值法识别数字

基于贝叶斯的手写数字识别，C语言实现代码................................................................................

MATLAB源码实现手写数字识别，模式识别经典分类算法，识别率有待提高，思路清晰，适合新手入门学习使用

初学机器学习，使用python实现的朴素贝叶斯算法实现数字识别，使用mnist数据集训练和测试

含有三份代码，都是用matlab实现，分别是基于贝叶斯，基于朴素贝叶斯，基于最小错误率贝叶斯的手写数字识别代码。其中朴素贝叶斯用到了PCA，准确率达到95%

贝叶斯统计是在经典统计的争论中逐渐发展起来的。争论的问题有：位置参数是否可以看作随机变量？事件的概率是否一定要有频率解释？概率是否可用经验来确定？在这些问题的争论中，贝叶斯学派建立起自己的理论和方法。

朴素贝叶斯法，使用scikit-learn自带的digits数据集

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[1]。最为广泛的两种分类模型是决策树模型(DecisionTreeModel)和朴素贝叶斯模型（NaiveBayesianModel，NBM）

模式识别中关于贝叶斯网络的介绍，内容翔实明确，对于想要学习模式识别的人有作用模式识别

图像二值化方法，针对在图像二值化过程中动态选取阈值难的问题，在分析了全局阈值法和局部阈值法各自优缺点的基础上，提出了一种基于贝叶斯算法的全局阈值法和局部阈值法相结合的二值化方法

是统计模式识别的基本方法和基础。是“最优分类器”：使平均错误率最小条件：类别数一定，（决策论中把类别称作状态）已知类先验概率和类条件概率密度