模式识别实验三.docVIP

实验三 最小错误率的贝叶斯分类 0840501104 刘悦 实验目的 通过学习贝叶斯决策了解统计决策理论中的一个基本方法，对模式识别有个初步的了解。 实验内容 利用贝叶斯后验概率确定分类： 设有19人进行体检，结果如下表。但事后发现4人忘了写性别，试问，这4人是男是女？ 序号 身高 体重 性别 序号 身高 体重 性别 1 170 68 男 11 140 62 男 2 130 66 女 12 150 64 女 3 180 71 男 13 120 66 女 4 190 73 男 14 150 66 男 5 160 70 女 15 130 65 男 6 150 66 男 16 140 70 α？ 7 190 68 男 17 150 60 β？ 8 210 76 男 18 145 65 γ？ 9 100 58 女 19 160 75 δ？ 10 170 75 男 C=2。男—1类，女—2类。 实验过程 Matlab代码如下： M=50;% M为最大的类数 % 已知类别样本15个 （身高，体重，类别）。1-男，2-女 n=15; pattern=[170,68,1; 130,66,2; 180,71,1; 190,73,1; 160,70,2; 150,66,1; 190,68,1;  210,76,1; 100,58,2; 170,75,1; 140,62,1; 150,64,2; 120,66,2; 150,66,1; 130,65,1]; % 未知类别样本4个 X= [140,70,0; 150,60,0; 145,65,0; 160,75,0]; K=4; % 未知类别样本个数 pattern % 显示pattern X % 显示未知类别的样本 C=2; % 类别总数C=2 num=zeros(1,C); %数组 num(i)存放第i类的样本数(i=1...C for i=1:n % 统计每类样本数 num(pattern(i,3))=num(pattern(i,3))+1; end for i=1:C % 输出每类样本数 fprintf(%d 类样本数= %d \n,i,num(i)) end % 计算每类的先验概率 for i=1:C P(i)=num(i)/n; % 输出每类的先验概率 fprintf(%d 类的先验概率=%.2f \n,i,P(i)) end % float PW1[M],PW2[M]; 存放后验概率数组 % float height,weight; 身高-体重 % 对未知类别的样本进行分类判断 for k=1:K % 对未知类别样本数据：身高-体重加以处理 fprintf(第%d 个样本：%d,%d\n,k,X(k,1),X(k,2)) height=X(k,1); weight=X(k,2); num1=0; for i=1:n if (pattern(i,1)==heightpattern(i,3)==1) num1=num1+1; end end if (num1==0) % 防止 0 概率，分子分母均作处理：分子加1，分母加类别数或不同取值个数 PW1(1)=1/(num(1)+2); else PW1(1)=(num1+1)/(num(1)+2); end num1=0; for i=1:n if (pattern(i,2)==weightpattern(i,3)==1) num1=num1+1; end end if (num1==0) % 防止 0 概率，分子分母均作处理：分子加1，分母加类别数或不同取值个数 PW1(2)=1/(num(1)+2); else PW1(2)=(num1+1)/(num(1)+2); end num2=0; for i=1:n if (pattern(i,1)==heightpattern(i,3)==2) num2=num2+1; end end if (num2==0) PW2(1)=1/(num(2)+2); else PW2(1)=(num2+1)/(num(2)+2); end num2=0; for i=1:n if (pattern(