模式识别报告二.docx

第二次试验报告一 实验名称贝叶斯分类器设计（最小风险贝叶斯决策和最小错误率贝叶斯抉择）二 实验原理最小错误率：合理决策依据：根据后验概率决策 已知后验概率P(w1|x), P(w2|x)，决策规则：当P(w1|x)P(w2|x) xw1，当P(w1|x)P(w2|x) xw2当对具体样本作观察后，判断出属于wi 的可能性后，再决策才合理。后验概率的计算方法：最小风险：已知类别的P(wi)及x的p(x/wi)，利用贝叶斯公式，可得类别的后验概率P(wi /x)。利用决策表和后验概率，计算最小条件风险决策：在各种决策中选择风险最小的决策三 实验内容假定某个局部区域细胞识别中正常（ w1）和非正常（ w2）两类先验概率分别为正常状态：P（w1）=0.9；异常状态：P（w2）=0.1。现有一系列待观察的细胞，其观察值为x：-3.9847 -3.5549 -1.2401 -0.9780 -0.7932 -2.8531-2.7605 -3.7287 -3.5414 -2.2692 -3.4549 -3.0752 -3.9934 2.8792 -0.9780 0.7932 1.1882 3.0682-1.5799 -1.4885 -0.7431 -0.4221 -1.1186 4.2532类条件概率分布正态分布分别为（-2,0.5）（2,2）试对观察的结果进行分类。四 实验步骤及贴图步骤：1.用matlab完成分类器的设计，说明文字程序相应语句，子程序有调用过程。2.根据例子画出后验概率的分布曲线以及分类的结果示意图。3.最小风险贝叶斯决策，决策表如下：重新设计程序，完成基于最小风险的贝叶斯分类器，画出相应的后验概率的分布曲线和分类结果,并比较两个结果。最小风险最小风险贝叶斯决策：带红色虚线曲线是异常细胞的条件风险曲线；青色圆圈曲线是正常细胞的条件风险曲线根据贝叶斯最小风险判决准则，判决结果显示在曲线下方：五角星代表判决为正常细胞，*号代表异常细胞各细胞分类结果（0为判成正常细胞，1为判成异常细胞）：1 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 1 1 0 0 0 1 0 1 1最小风险最小错误率：后验概率曲线与判决显示在上图中后验概率曲线：带红色虚线曲线是判决为异常细胞的后验概率曲线青色实线曲线是为判为正常细胞的后验概率曲线根据最小错误概率准则，判决结果显示在曲线下方：五角星代表判决为正常细胞，*号代表异常细胞各细胞分类结果（0为判成正常细胞，1为判成异常细胞）：0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 0 0 0 1 0 1 1实验代码最小错误率：clear all;clc;x=[-3.9847 -3.5549 -1.2401 -0.9780 -0.7932 -2.8531 -2.7605 -3.7287 -3.5414 -2.2692 -3.4549 -3.0752-3.9934 2.8792 -0.9780 0.7932 1.1882 3.0682-1.5799 -1.4885 0.7431 -0.4221 -1.1186 4.2532 ]pw1=0.9; pw2=0.1;e1=-2; a1=0.5;e2=2;a2=2;m=numel(x); %得到待测细胞个数pw1_x=zeros(1,m); %存放对w1的后验概率矩阵pw2_x=zeros(1,m); %存放对w2的后验概率矩阵results=zeros(1,m);%存放比较结果矩阵for i = 1:m%计算在w1下的后验概率 pw1_x(i)=(pw1*normpdf(x(i),e1,a1))/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i),e2,a2)) ;%计算在w2下的后验概率pw2_x(i)=(pw2*normpdf(x(i),e2,a2))/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i),e2,a2)) ;endfor i = 1:m if pw1_x(i)pw2_x(i) %比较两类后验概率 result(i)=0;%正常细胞 else result(i)=1;%异常细胞 endenda=[-5:0.05:5]; %取样本点以画图n=numel(a);pw1_plot=zeros(1,n);pw2_plot=zeros(1,n);for j=1:npw1_plot(j)=(pw1*normpd