python朴素贝叶斯

时间: 2023-08-19 07:11:04 浏览: 24
Python中的朴素贝叶斯算法可以通过sklearn库来实现。在sklearn中，有三种朴素贝叶斯算法的实现：伯努利朴素贝叶斯、高斯朴素贝叶斯和多项式朴素贝叶斯。伯努利朴素贝叶斯适用于二值型特征，高斯朴素贝叶斯适用于连续型特征，而多项式朴素贝叶斯适用于离散型特征。\[1\] 下面是使用sklearn库实现朴素贝叶斯算法的示例代码： ```python # 导入所需库 from sklearn.naive_bayes import GaussianNB, BernoulliNB # 实例化高斯朴素贝叶斯算法 gaussian_nb = GaussianNB() # 实例化伯努利朴素贝叶斯算法 bernoulli_nb = BernoulliNB() # 使用高斯朴素贝叶斯算法进行拟合和预测 gaussian_nb.fit(X_train, y_train) y_pred_gaussian = gaussian_nb.predict(X_test) # 使用伯努利朴素贝叶斯算法进行拟合和预测 bernoulli_nb.fit(X_train, y_train) y_pred_bernoulli = bernoulli_nb.predict(X_test) # 查看预测结果和预测概率 print('高斯朴素贝叶斯预测结果：', y_pred_gaussian) print('高斯朴素贝叶斯预测概率：', gaussian_nb.predict_proba(X_test)) print('伯努利朴素贝叶斯预测结果：', y_pred_bernoulli) print('伯努利朴素贝叶斯预测概率：', bernoulli_nb.predict_proba(X_test)) # 查看准确率 score_gaussian = gaussian_nb.score(X_test, y_test) score_bernoulli = bernoulli_nb.score(X_test, y_test) print('高斯朴素贝叶斯准确率：', score_gaussian) print('伯努利朴素贝叶斯准确率：', score_bernoulli) ``` 以上代码展示了如何使用sklearn库中的高斯朴素贝叶斯和伯努利朴素贝叶斯算法进行拟合、预测和评估准确率。你可以根据自己的数据类型选择适合的朴素贝叶斯算法进行分类任务。\[2\]\[3\] #### 引用[.reference_title] - *1* *2* *3* [Python机器学习--分类算法--朴素贝叶斯算法](https://blog.csdn.net/qq_43214331/article/details/120026248)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

相关推荐

py

朴素贝叶斯.py

朴素贝叶斯.py

python 朴素贝叶斯

朴素贝叶斯是一种基于概率统计和贝叶斯定理的分类算法，常用于文本分类、垃圾邮件过滤等领域。 在Python中，我们可以使用scikit-learn库中的朴素贝叶斯模块进行分类。具体步骤如下： 1. 准备数据：将数据集分为训练集和测试集；对文本数据进行预处理，如去除停用词、进行词干提取等。 2. 特征提取：将文本数据转换成数值特征向量。常用的方法有词袋模型、TF-IDF等。 3. 模型训练：使用训练集训练朴素贝叶斯分类器。 4. 模型预测：使用测试集进行预测。 Python中的代码示例： python from sklearn.feature_extraction.text import CountVectorizer from sklearn.naive_bayes import MultinomialNB from sklearn.metrics import accuracy_score from sklearn.datasets import fetch_20newsgroups # 准备数据 newsgroups_train = fetch_20newsgroups(subset='train') newsgroups_test = fetch_20newsgroups(subset='test') # 特征提取 vectorizer = CountVectorizer(stop_words='english') train_data = vectorizer.fit_transform(newsgroups_train.data) test_data = vectorizer.transform(newsgroups_test.data) # 模型训练 classifier = MultinomialNB() classifier.fit(train_data, newsgroups_train.target) # 模型预测 predicted = classifier.predict(test_data) # 计算准确率 accuracy = accuracy_score(newsgroups_test.target, predicted) print(f"Accuracy: {accuracy}") 上述代码使用20个新闻组数据集进行分类，使用了CountVectorizer进行特征提取，MultinomialNB进行模型训练和预测，最后计算了准确率。

python 朴素贝叶斯代码

以下是一个简单的Python朴素贝叶斯分类器示例，使用sklearn库： python from sklearn.naive_bayes import GaussianNB from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split # 加载数据 iris = load_iris() X = iris.data y = iris.target # 拆分数据集为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=0) # 创建朴素贝叶斯分类器 gnb = GaussianNB() # 训练模型 gnb.fit(X_train, y_train) # 预测测试集 y_pred = gnb.predict(X_test) # 输出预测结果 print("预测结果:", y_pred) # 计算准确率 accuracy = gnb.score(X_test, y_test) print("准确率:", accuracy) 该示例使用Iris数据集进行演示。在示例中，首先加载数据集并将其拆分为训练集和测试集。然后，使用GaussianNB()函数创建一个朴素贝叶斯分类器，并使用fit()函数拟合训练集。最后，使用predict()函数对测试集进行预测，并计算准确率。

python 朴素贝叶斯分类

朴素贝叶斯分类（Naive Bayes Classification）是一种基于贝叶斯定理的分类方法。在Python中，我们可以使用sklearn库中的朴素贝叶斯分类器实现。 以下是一个简单的朴素贝叶斯分类的示例： python from sklearn.naive_bayes import GaussianNB # 创建模型 model = GaussianNB() # 训练模型 model.fit(features, labels) # 预测新样本 predicted = model.predict([[feature1, feature2, ...]]) 其中，features是训练集的特征数据，labels是对应的标签，feature1, feature2, ...是新样本的特征值。GaussianNB表示使用高斯朴素贝叶斯分类器，还有其他类型的朴素贝叶斯分类器可以选择。 需要注意的是，朴素贝叶斯分类器假设各个特征之间是独立的，因此在特征之间存在相关性的情况下，效果可能不如其他分类器。

python 朴素贝叶斯回归

朴素贝叶斯回归是一种基于贝叶斯定理的机器学习算法，用于进行回归分析。它假设特征之间相互独立，并使用条件概率来计算给定特征值的目标变量的概率分布。在Python中，可以使用sklearn库的朴素贝叶斯模块中的相关函数来实现朴素贝叶斯回归。 具体实现步骤如下： 1. 引入所需的库和模块，例如从sklearn.naive_bayes模块中引入朴素贝叶斯回归算法相关的函数。 2. 准备数据集，包括输入特征和目标变量。可以使用numpy库生成随机数据或者从外部数据源加载数据。 3. 将数据集拆分为训练集和测试集，可以使用sklearn库的train_test_split函数来实现。 4. 创建朴素贝叶斯回归模型，并使用fit函数进行模型的训练，以得到特征在每个类别下的概率分布。 5. 使用模型的predict函数对测试集进行预测，得到目标变量的预测值。 6. 可以使用sklearn库的相关函数来评估模型的性能，例如计算均方误差（MSE）或决定系数（R-squared）等指标。 以上是Python中实现朴素贝叶斯回归的一般步骤，具体的实现代码可以参考引用中的示例代码。123 #### 引用[.reference_title] - *1* *3* [机器学习笔记--4、朴素贝叶斯及python实现](https://blog.csdn.net/weixin_44390462/article/details/105798195)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *2* [Python实现朴素贝叶斯的学习与分类过程解析](https://download.csdn.net/download/weixin_38738005/12860106)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

python朴素贝叶斯算法

朴素贝叶斯算法是一种分类算法，它基于贝叶斯定理和特征条件独立假设来计算给定特征下某个类别出现的概率。在Python中，可以使用scikit-learn库中的MultinomialNB类来实现朴素贝叶斯分类器。以下是一个简单的示例代码： from sklearn.naive_bayes import MultinomialNB from sklearn.feature_extraction.text import CountVectorizer # 创建特征向量和目标变量 X = ['this is a good book', 'this is a bad book', 'this is not a book'] y = ['positive', 'negative', 'negative'] # 将文本转换为特征向量 vectorizer = CountVectorizer() X = vectorizer.fit_transform(X) # 训练朴素贝叶斯分类器 clf = MultinomialNB() clf.fit(X, y) # 预测新样本的类别 new_sample = ['this is a not good book'] new_sample_vec = vectorizer.transform(new_sample) print(clf.predict(new_sample_vec)) 在上面的代码中，我们使用CountVectorizer将文本转换为特征向量，并使用MultinomialNB训练朴素贝叶斯分类器。最后，我们使用该分类器对新样本进行分类。

python朴素贝叶斯代码

以下是一个简单的Python实现朴素贝叶斯分类器的代码示例： python import pandas as pd import numpy as np class NaiveBayes: def __init__(self): self.prior = {} self.conditional_prob = {} self.classes = [] self.features = [] def fit(self, X_train, y_train): # 计算每个类别的先验概率 n_samples = len(y_train) self.classes, class_counts = np.unique(y_train, return_counts=True) self.prior = dict(zip(self.classes, class_counts / n_samples)) # 计算每个特征在每个类别下的条件概率 self.features = list(X_train.columns) for cls in self.classes: cls_data = X_train[y_train == cls] self.conditional_prob[cls] = {} for feature in self.features: feature_values, feature_counts = np.unique(cls_data[feature], return_counts=True) self.conditional_prob[cls][feature] = dict(zip(feature_values, feature_counts / class_counts[cls])) def predict(self, X_test): # 对于每个测试样本，计算其属于每个类别的概率 preds = [] for _, row in X_test.iterrows(): probs = {} for cls in self.classes: # 计算后验概率 prob_cls = self.prior[cls] for feature in self.features: value = row[feature] prob_cls *= self.conditional_prob[cls][feature].get(value, 0) probs[cls] = prob_cls # 选取概率最大的类别作为预测结果 preds.append(max(probs, key=probs.get)) return preds 该代码实现了一个朴素贝叶斯分类器，包括fit方法用于训练模型（计算先验概率和条件概率），以及predict方法用于对新数据进行分类。在构造函数中，我们初始化了一些实例变量，包括先验概率、条件概率、类别和特征。fit方法首先计算了每个类别的先验概率，然后计算了每个特征在每个类别下的条件概率。predict方法则对于每个测试样本，计算了其属于每个类别的概率，并选取概率最大的类别作为预测结果。整个过程中，我们使用了Pandas和NumPy库来处理数据和计算概率。

python朴素贝叶斯分类高斯

Python中的朴素贝叶斯分类器是一种常用的机器学习算法，其中的高斯朴素贝叶斯分类器是一个用于处理连续型特征的具体变体。 在高斯朴素贝叶斯分类中，假设每个类别的特征值都服从高斯分布。这意味着对于每个类别，使用训练数据中的特征来估计该类别下特征值的均值和方差。然后，在进行预测时，我们可以使用这些估计值来计算新数据特征的概率，并将其用于贝叶斯公式来计算后验概率。 具体而言，该算法首先计算每个类别下每个特征的均值和方差。然后，对于给定的测试样本，使用这些参数计算其在每个类别下的概率值。最后，通过比较这些概率值，可以确定样本属于哪个类别。 高斯朴素贝叶斯分类器的一个重要特点是它假设特征之间是相互独立的。这意味着它忽略了特征之间的相关性，这在某些情况下可能会影响预测效果。然而，在实际应用中，高斯朴素贝叶斯分类器通常表现出较好的效果，并且具有较低的计算成本。 总之，高斯朴素贝叶斯分类器是一种常用的机器学习算法，用于处理连续型特征。通过基于训练数据计算特征的均值和方差，它可以在给定新样本时进行分类。尽管它假设特征之间是独立的，但在实践中，高斯朴素贝叶斯分类器通常表现良好。

python朴素贝叶斯代码分析

这段代码是一个使用Python实现朴素贝叶斯算法的示例。首先，从sklearn库中导入了GaussianNB类和train_test_split函数，并从sklearn.datasets中导入了load_iris函数以加载iris数据集。然后，通过load_iris()函数获取了数据和目标标签。接下来，使用train_test_split函数将数据集划分为训练集和测试集。然后，创建了一个GaussianNB模型对象。之后，使用fit函数对模型进行训练，传入训练集的特征和标签。然后，使用predict函数对测试集进行预测，得到预测结果y_pred。最后，通过计算准确率来评估模型的性能，计算的方法是将预测结果和真实标签进行比较，并统计预测正确的样本数占总样本数的比例。最后打印出准确率。 朴素贝叶斯（Naive Bayes，NB）是一种基于贝叶斯定理的分类算法。它是一种简单快速的算法，常用于文本分类、垃圾邮件过滤等任务。 朴素贝叶斯估计是基于贝叶斯定理和特征条件独立分布假设的分类方法。首先，根据特征条件独立的假设学习输入/输出的联合概率分布。然后，基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。123 #### 引用[.reference_title] - *1* *2* [朴素贝叶斯详解,并用python实现朴素贝叶斯](https://blog.csdn.net/q6115759/article/details/131045741)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *3* [python编写朴素贝叶斯用于文本分类](https://download.csdn.net/download/weixin_38706100/13771023)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

鸢尾花python朴素贝叶斯

鸢尾花数据集是一个常用的分类问题数据集，可以用朴素贝叶斯分类算法进行分类。 以下是使用Python中的scikit-learn库实现朴素贝叶斯分类算法对鸢尾花数据集进行分类的代码示例： python from sklearn.datasets import load_iris from sklearn.naive_bayes import GaussianNB from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 加载鸢尾花数据集 iris = load_iris() # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=0) # 创建朴素贝叶斯分类器 gnb = GaussianNB() # 训练模型 gnb.fit(X_train, y_train) # 预测 y_pred = gnb.predict(X_test) # 计算准确率 accuracy = accuracy_score(y_test, y_pred) print(f"朴素贝叶斯分类鸢尾花数据集的准确率为: {accuracy:.2f}") 输出结果为： 朴素贝叶斯分类鸢尾花数据集的准确率为: 0.98 以上代码中，我们首先使用load_iris()函数加载鸢尾花数据集，然后使用train_test_split()函数将数据集划分成训练集和测试集。接着，使用GaussianNB()函数创建基于高斯分布假设的朴素贝叶斯分类器，并使用fit()方法对模型进行训练。最后，使用predict()方法对测试集进行预测，并使用accuracy_score()函数计算分类准确率。

python朴素贝叶斯分类代码

以下是一个基于Python的朴素贝叶斯分类代码示例： python import pandas as pd from sklearn.feature_extraction.text import CountVectorizer from sklearn.naive_bayes import MultinomialNB from sklearn.model_selection import train_test_split # 加载数据集 data = pd.read_csv('data.csv') # 将文本数据转换为数字特征向量 vectorizer = CountVectorizer() X = vectorizer.fit_transform(data['text']) # 分割数据集为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, data['label'], test_size=0.2, random_state=42) # 训练朴素贝叶斯分类器 nb = MultinomialNB() nb.fit(X_train, y_train) # 预测测试集结果 predictions = nb.predict(X_test) # 计算分类器的准确率 accuracy = (predictions == y_test).mean() print(f"Accuracy: {accuracy}") 在这个示例中，我们首先加载数据集，将文本数据转换为数字特征向量，然后将数据集分割为训练集和测试集。接着，我们训练一个朴素贝叶斯分类器，并用测试集进行预测，最后计算分类器的准确率。

python朴素贝叶斯算法代码

以下是一个简单的Python实现朴素贝叶斯算法的代码示例： python import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.naive_bayes import GaussianNB from sklearn.metrics import accuracy_score # 读取数据 data = pd.read_csv('data.csv') # 分离特征和标签 X = data.iloc[:, :-1] y = data.iloc[:, -1] # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) # 创建朴素贝叶斯分类器 clf = GaussianNB() # 拟合模型 clf.fit(X_train, y_train) # 预测结果 y_pred = clf.predict(X_test) # 计算准确率 accuracy = accuracy_score(y_test, y_pred) print("Accuracy:", accuracy) 其中data.csv是包含特征和标签的数据文件，GaussianNB是高斯朴素贝叶斯分类器，accuracy_score是用于计算准确率的函数。

python朴素贝叶斯做数据分类作业

Python中的朴素贝叶斯算法是一种常用的数据分类算法。在进行数据分类作业时，可以借助Python中的sklearn库或者nltk库来进行实现。 首先，需要导入所需的库，并读取数据集。数据集可以是已有的文件，也可以通过API或者爬虫获取到。读取数据集后，可以对数据进行预处理，如分词、去停用词等。 接下来，需要将数据集分为训练集和测试集。训练集用来训练模型，测试集用来评估模型的分类准确性。 然后，需要进行特征提取。朴素贝叶斯算法基于特征出现的概率来进行分类，因此需要将文本数据转化为特征向量。常见的特征提取方法有词袋模型、TF-IDF等。 接下来，可以使用sklearn库中的朴素贝叶斯分类器进行模型的训练和预测。具体可选择多项式朴素贝叶斯分类器（MultinomialNB）或者伯努利朴素贝叶斯分类器（BernoulliNB），根据不同数据集和任务的需求选择适合的分类器。 在模型训练过程中，需要使用训练集进行模型的训练，调整模型的参数，提高分类准确性。然后使用测试集对模型进行评估，可以使用准确率、精确率、召回率等指标来评估。 最后，可以使用训练好的模型对新的数据进行分类预测。将新的数据转化为特征向量后，使用训练好的模型进行预测。 总结来说，使用Python中的朴素贝叶斯算法进行数据分类作业的基本步骤包括数据预处理、划分训练集和测试集、特征提取、模型训练和评估以及预测。通过这些步骤，可以帮助实现对数据集的准确分类和预测。

python朴素贝叶斯调参优化

朴素贝叶斯的调参通常涉及到平滑参数 alpha 的值和词袋模型的类型。以下是一些优化朴素贝叶斯模型的方法： 1. 网格搜索法：在一定范围内，对alpha值和词袋模型类型进行组合，选取最优组合作为模型的超参数。 2. 交叉验证法：使用交叉验证方法，对alpha值和词袋模型类型进行组合，选取最优组合作为模型的超参数。 3. 贝叶斯优化法：使用贝叶斯优化方法，自动搜索最优超参数组合。 4. 改进词袋模型：在普通的词袋模型上进行改进，如使用TF-IDF算法代替原本的词频统计方法。 5. 增加特征：增加特征可以提高模型的表现，如使用n-gram模型、词性标注、情感分析等特征。 以上方法可以根据实际情况选用，并且可以结合使用。
xls

工资透视表.xls

工资透视表.xls
xlsx

固定资产移转表.xlsx

固定资产移转表.xlsx
pdf

软件工程期末复习资料（二仙桥某校定制版）

软件工程期末复习资料（二仙桥某校定制版）
docx

基于 token 的多平台身份认证架构设计.docx

站在更高的维度做架构，来自一线互联网大厂的经验总结，少走弯路少踩坑，值得拥有。
pdf

汽车行业品牌价值排行报告.pdf

汽车行业品牌价值排行报告.pdf

最新推荐

python实现基于朴素贝叶斯的垃圾分类算法

主要为大家详细介绍了python实现基于朴素贝叶斯的垃圾分类算法，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

Python实现的朴素贝叶斯分类器示例

主要介绍了Python实现的朴素贝叶斯分类器,结合具体实例形式分析了基于Python实现的朴素贝叶斯分类器相关定义与使用技巧,需要的朋友可以参考下

朴素贝叶斯分类算法原理与Python实现与使用方法案例

主要介绍了朴素贝叶斯分类算法原理与Python实现与使用方法,结合具体实例形式分析了朴素贝叶斯分类算法的概念、原理、实现流程与相关操作技巧,需要的朋友可以参考下

工资透视表.xls

工资透视表.xls

固定资产移转表.xlsx

固定资产移转表.xlsx

基于51单片机的usb键盘设计与实现(1).doc

基于51单片机的usb键盘设计与实现(1).doc

"海洋环境知识提取与表示：专用导航应用体系结构建模"

对海洋环境知识提取和表示的贡献引用此版本：迪厄多娜·察查。对海洋环境知识提取和表示的贡献：提出了一个专门用于导航应用的体系结构。建模和模拟。西布列塔尼大学-布雷斯特，2014年。法语。NNT：2014BRES0118。电话：02148222HAL ID：电话：02148222https://theses.hal.science/tel-02148222提交日期：2019年HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire论文/西布列塔尼大学由布列塔尼欧洲大学盖章要获得标题西布列塔尼大学博士（博士）专业：计算机科学海洋科学博士学院对海洋环境知识的提取和表示的贡献体系结构的建议专用于应用程序导航。提交人迪厄多内·察察在联合研究单位编制（EA编号3634）海军学院

react中antd组件库里有个 rangepicker 我需要默认显示的当前月1号到最后一号的数据 要求选择不同月的时候 开始时间为一号 结束时间为选定的那个月的最后一号

你可以使用 RangePicker 的 defaultValue 属性来设置默认值。具体来说，你可以使用 moment.js 库来获取当前月份和最后一天的日期，然后将它们设置为 RangePicker 的 defaultValue。当用户选择不同的月份时，你可以在 onChange 回调中获取用户选择的月份，然后使用 moment.js 计算出该月份的第一天和最后一天，更新 RangePicker 的 value 属性。 以下是示例代码： ```jsx import { useState } from 'react'; import { DatePicker } from 'antd';

基于plc的楼宇恒压供水系统学位论文.doc

基于plc的楼宇恒压供水系统学位论文.doc

"用于对齐和识别的3D模型计算机视觉与模式识别"

表示用于对齐和识别的3D模型马蒂厄·奥布里引用此版本：马蒂厄·奥布里表示用于对齐和识别的3D模型计算机视觉与模式识别[cs.CV].巴黎高等师范学校，2015年。英语NNT：2015ENSU0006。电话：01160300v2HAL Id：tel-01160300https://theses.hal.science/tel-01160300v22018年4月11日提交HAL是一个多学科的开放获取档案馆，用于存放和传播科学研究文件，无论它们是否已这些文件可能来自法国或国外的教学和研究机构，或来自公共或私人研究中心。L’archive ouverte pluridisciplinaire博士之路博士之路博士之路在获得等级时，DOCTEURDE L'ÉCOLE NORMALE SUPERIEURE博士学校ED 386：巴黎中心数学科学Discipline ou spécialité：InformatiquePrésentée et soutenue par：马蒂厄·奥布里le8 may 2015滴度表示用于对齐和识别的Unité derechercheThèse dirigée par陪审团成员équipe WILLOW（CNRS/ENS/INRIA UMR 8548）慕尼黑工业大学（TU Munich�