Bayes决策理论

由圣彼得堡大学经济学院哈林教授以俄语讲授的决策理论分析课程。

黑白风格的 DS 证据理论，挺适合搞规则合成和冲突的场景。你要是研究像防火墙规则优化、数据挖掘啥的，点进来看看挺值。里面那套合成规则讲得蛮清楚，思路也比较系统。嗯，尤其是你遇到多源信息决策冲突的时候，参考这个真能省不少事。

分类器的实战资料里，贝叶斯决策理论这套内容还蛮值得一看的，思路清晰，例题也不少。嗯，讲到了正态分布下怎么用最小风险做判断，还把Bayes 分类器和决策树做了对比，蛮有参考价值的。 里面关于分类错误率和风险最小化那一块讲得比较细。尤其是聂曼－皮尔逊准则那段，适合做二分类的兄弟参考下。响应也快，理论结合得还算实用。新手刚入门也不会太吃力。 如果你是做机器学习或者数据挖掘那一挂的，这套资料可以帮你理清决策层的逻辑。而且里面还有带代码的例题，比如用Bayes 分类器算最小错误率，挺贴合实际场景。 建议你也顺手看看相关链接：Matlab 贝叶斯分类器，还有个关于最小风险的案例也不错，点这儿：基于最小风险

基于王斌会《多元统计分析及R语言建模》书籍内容，本视频对第六章第四节Bayes判别分析展开详细阐述，并结合实际案例深入讲解，帮助学习者更好地理解和掌握Bayes判别分析方法。

基于潜在语义分析的BBS文档Bayes检测器，刘昌钰，唐常杰，对电子公告栏（BBS）文档进行检测已成为信息安全技术的重要内容之一。结合数据挖掘技术、数理统计技术和自然语言理解技术，

在文本分类这块，大量的文本数据时，选择合适的方法可真是关键。比如说，朴素贝叶斯和AdaBoost结合的 Naive Bayes-Boosting 方法，挺好用的，它能通过增强弱分类器的能力来提升分类准确度。是在中文文本分类中，复杂的字符和歧义词问题时，向量空间模型和反向最大匹配分词技术有时也能带来不错的效果。，学会合理选择不同方法，能让你的分类任务变得更轻松高效。如果你对中文文本的或者提升分类准确度感兴趣，可以试试这篇文章里的一些方法，是对Naive Bayes-Boosting的运用。，做文本分类时，记得多考虑模型的适用性，方法的选择要看具体的数据特性哦。

决策树，一种强大的机器学习算法，通过树形结构模拟决策过程。每个节点代表一个属性测试，分支对应测试结果，最终的叶节点则给出预测类别或输出值。 决策树的核心在于通过对输入数据进行分层分割，构建精准的预测模型。这一过程如同绘制一张路线图，引导我们根据数据的特征做出最佳决策。

解析2、假定两类协方差矩阵相等∑=∑1+∑2

这本书是目前国内唯一的中文资源，对学习Kettle的朋友和研究ETL的专家都有很高的参考价值。

想学习理论的人必须先掌握理论，因为理论是实践的基础。