mpsic_projekt_1_bayes_classifier

Klasyfikacja za pomocą naiwnej metody bayesowskiej dla rozkładów dyskretnych.

Implementacja powinna założyć, że cechy są dyskretne/jakościowe. Na wejściu oczekiwany jest zbiór, który zawiera p-cech dyskretnych/jakościowych, wektor etykiet oraz wektor prawdopodobieństw a priori dla klas. Na wyjściu otrzymujemy prognozowane etykiety oraz prawdopodobieństwa a posteriori. Dodatkową wartością odpowiednia wizualizacja.

Zasady zaliczenia projektu (max 40 pkt):

• 10 pkt - prezentacja projektu
• 15 pkt - implementacja, w tym:
• • 5 pkt - zgodność z tematem,
• • 5 pkt - jakość kodu,
• • 5 pkt - poprawność implementacji
• 10 pkt - efekt "wow"
• 5 pkt - aktywność wszystkich członków grupy