要求提供纯java实现的代码提供多种统计模型供我学习

以下是几种常见的统计模型的 Java 实现代码，供您学习参考：

1. 线性回归模型

线性回归模型是一种用于建立两个或多个变量之间线性关系的模型。在 Java 中，可以使用 Apache Commons Math 库中的 `SimpleRegression` 类来实现线性回归模型。以下是一个简单的示例代码：

import org.apache.commons.math3.stat.regression.SimpleRegression;

public class LinearRegressionExample {
    public static void main(String[] args) {
        SimpleRegression regression = new SimpleRegression();
        regression.addData(1, 2);
        regression.addData(2, 4);
        regression.addData(3, 6);
        System.out.println("Slope: " + regression.getSlope());
        System.out.println("Intercept: " + regression.getIntercept());
        System.out.println("R-squared: " + regression.getRSquare());
    }
}

在上述代码中，我们先创建了一个 `SimpleRegression` 对象，并调用了 `addData` 方法来添加数据点。然后，我们可以通过调用 `getSlope` 方法和 `getIntercept` 方法来获取线性回归模型的斜率和截距，通过调用 `getRSquare` 方法来获取 R-squared 值。

2. 朴素贝叶斯分类模型

朴素贝叶斯分类模型是一种基于贝叶斯定理的分类模型，它假设所有特征之间相互独立。在 Java 中，可以使用 Apache Commons Math 库中的 `NaiveBayes` 类来实现朴素贝叶斯分类模型。以下是一个简单的示例代码：

import org.apache.commons.math3.stat.inference.KolmogorovSmirnovTest;
import org.apache.commons.math3.stat.inference.OneWayAnova;
import org.apache.commons.math3.stat.inference.TestUtils;
import org.apache.commons.math3.stat.regression.SimpleRegression;
import org.apache.commons.math3.stat.descriptive.DescriptiveStatistics;
import org.apache.commons.math3.stat.descriptive.SummaryStatistics;
import org.apache.commons.math3.stat.correlation.PearsonsCorrelation;
import org.apache.commons.math3.stat.correlation.SpearmansCorrelation;
import org.apache.commons.math3.distribution.NormalDistribution;
import org.apache.commons.math3.distribution.AbstractContinuousDistribution;
import org.apache.commons.math3.distribution.AbstractIntegerDistribution;
import org.apache.commons.math3.distribution.NormalDistribution;
import org.apache.commons.math3.distribution.IntegerDistribution;
import org.apache.commons.math3.distribution.BinomialDistribution;
import org.apache.commons.math3.distribution.PoissonDistribution;
import org.apache.commons.math3.distribution.HypergeometricDistribution;
import org.apache.commons.math3.stat.inference.ChiSquareTest;
import org.apache.commons.math3.stat.descriptive.moment.Variance;
import org.apache.commons.math3.stat.descriptive.rank.Percentile;
import org.apache.commons.math3.stat.descriptive.StatisticalSummary;
import org.apache.commons.math3.stat.descriptive.SummaryStatistics;
import org.apache.commons.math3.stat.descriptive.DescriptiveStatistics;
import org.apache.commons.math3.stat.descriptive.moment.StandardDeviation;
import org.apache.commons.math3.stat.descriptive.moment.Mean;
import org.apache.commons.math3.stat.descriptive.rank.Median;
import org.apache.commons.math3.stat.descriptive.moment.Skewness;
import org.apache.commons.math3.stat.descriptive.moment.Kurtosis;

import org.apache.commons.math3.stat.regression.OLSMultipleLinearRegression;

import org.apache.commons.math3.stat.correlation.PearsonsCorrelation;

import org.apache.commons.math3.stat.inference.TTest;

import org.apache.commons.math3.stat.inference.TestUtils;

import org.apache.commons.math3.stat.correlation.Covariance;

import org.apache.commons.math3.stat.descriptive.rank.Percentile;

import org.apache.commons.math3.stat.descriptive.moment.Variance;

import org.apache.commons.math3.stat.descriptive.moment.StandardDeviation;

import org.apache.commons.math3.util.MathArrays;

import org.apache.commons.math3.linear.RealMatrix;

import org.apache.commons.math3.linear.ArrayRealVector;

import org.apache.commons.math3.linear.RealVector;

import org.apache.commons.math3.linear.MatrixUtils;

import org.apache.commons.math3.linear.RealMatrix;

import org.apache.commons.math3.linear.LUDecomposition;

import org.apache.commons.math3.linear.RealMatrix;

import org.apache.commons.math3.linear.SingularValueDecomposition;

import org.apache.commons.math3.linear.RealMatrix;

import org.apache.commons.math3.linear.BlockRealMatrix;

import org.apache.commons.math3.fitting.leastsquares.LevenbergMarquardtOptimizer;

import org.apache.commons.math3.fitting.leastsquares.LevenbergMarquardtOptimizer.Optimum;

import org.apache.commons.math3.fitting.leastsquares.LeastSquaresProblem;

import org.apache.commons.math3.fitting.leastsquares.LeastSquaresBuilder;

import org.apache.commons.math3.fitting.leastsquares.MultivariateJacobianFunction;

public class NaiveBayesExample {
    public static void main(String[] args) {
        NaiveBayes nb = new NaiveBayes();
        double[][] input = {{1, 0, 1}, {1, 1, 0}, {0, 1, 1}, {0, 1, 0}};
        double[] output = {1, 1, 0, 0};
        nb.train(input, output);
        double[] prediction = nb.predict(new double[]{1, 0, 0});
        System.out.println("Prediction: " + prediction[0]);
    }
}

在上述代码中，我们创建了一个 `NaiveBayes` 对象，并使用 `train` 方法来训练模型。训练数据是一个二维数组，其中每一行表示一个数据点，每一列表示一个特征。训练标签是一个一维数组，其中每个元素表示一个数据点的类别。然后，我们可以使用 `predict` 方法来对新数据进行分类预测。

3. 随机森林分类模型

随机森林是一种基于决策树的分类模型，它通过随机选择特征和样本来构建多个决策树，并通过投票的方式来决定最终的分类结果。在 Java 中，可以使用 Weka 库中的 `RandomForest` 类来实现随机森林分类模型。以下是一个简单的示例代码：

import weka.classifiers.trees.RandomForest;
import weka.core.Instances;
import weka.core.converters.ConverterUtils.DataSource;

public class RandomForestExample {
    public static void main(String[] args) throws Exception {
        DataSource source = new DataSource("iris.arff");
        Instances data = source.getDataSet();
        data.setClassIndex(data.numAttributes() - 1);
        RandomForest rf = new RandomForest();
        rf.buildClassifier(data);
        System.out.println(rf);
    }
}

在上述代码中，我们先使用 Weka 库中的 `DataSource` 类加载数据集。然后，我们将数据集的最后一列作为类别属性，并使用 `RandomForest` 类的 `buildClassifier` 方法来训练模型。最后，我们可以使用 `toString` 方法来查看模型的详细信息。

希望以上代码可以对您有所帮助。