模式识别实报.docVIP

院 系： 计算机科学学院 专 业： 智能科学与技术 年 级： 2012 级 课程名称： 模式识别 组 号： 13组 组 员： 徐灿 马卿 指导教师： 孙阳光老师 2014 年级 2012级 学号 2012213855 2012213875 专业 智能科学 与技术 姓名 徐灿 马卿 实验时间 2014.10.8 实验地点 9#206 实验 名称 用身高和/或体重数据进行性别分类的实验 实验 类型 设计型 综合型 创新型 √ 实 验 目 的 或 要 求 基本要求： 用PR_Exp1_Data_1.TXT 和PR_Exp1_Data_2.TXT 的数据作为训练样本集，建立Bayes 分类器，用PR_Exp1_Data_3.TXT测试样本数据对该分类器进行测试。调整特征、分类器等方面的一些因素，考察它们对分类器性能的影响，从而加深对所学内容的理解和感性认识。 具体做法： 1． 应用单个特征进行实验：以（a）身高或者（b）体重数据作为特征，在正态 分布假设下利用最大似然法或者贝叶斯估计法估计分布密度参数（只利用训 练数据估计密度），建立最小错误率Bayes 分类器，写出得到的决策规则，将 该分类器应用到测试样本，考察测试错误情况。在分类器设计时可以考察采 用不同先验概率（如0.5 对0.5, 0.75 对0.25, 0.9 对0.1 等）进行实验，考察对 决策规则和错误率的影响。 2． 应用两个特征进行实验：同时采用身高和体重数据作为特征，分别假设二者 相关或不相关，在正态分布假设下估计概率密度，建立最小错误率Bayes 分 类器，写出得到的决策规则，将该分类器应用到训练/测试样本，考察训练/ 测试错误情况。比较相关假设和不相关假设下结果的差异。在分类器设计时 可以考察采用不同先验概率（如0.5 vs. 0.5, 0.75 vs. 0.25, 0.9 vs. 0.1 等）进行 实验，考察对决策和错误率的影响。 3． 自行给出一个决策表，采用最小风险的Bayes 决策重复上面的某个或全部实 验。 需要用到的数据文件： 训练和测试样本集： PR_Exp1_Data_1.txt 124 个同学的身高、体重、性别数据（40 个女生、84 个男生） PR_Exp1_Data_2.txt 328 个同学的身高、体重、性别数据（78 个女生、250 个男生） PR_Exp1_Data_3.txt 90 个同学的身高、体重、性别数据（16 个女生、74 个男生） 实 验 代 码 （ 身 高 或 者 体 重 ） ?clear all; load datasetf1.txt; %读入样本数据男生 load datasetm1.txt; %读入样本数据女生 %样本的分析 figure; for i=1:250 if(i79) plot(datasetf1(i,2),datasetf1(i,1),r+); end plot(datasetm1(i,2),datasetm1(i,1),k*); hold on; end title(样本数据); xlabel(体重(Kg)),ylabel(身高(cm)); legend(男生,女生); %打开文件（测试文件和训练文件）此处选择文件为第三组测试文件 fid=fopen(dataset3.txt,r); test1=fscanf(fid,%f %f %s,[3,inf]);%文件读取格式 test=test1; fclose(fid); Fmean = mean(datasetf1); Mmean = mean(datasetm1); Fvar = std(datasetf1); Mvar = std(datasetm1); preF = 0.5; %先验概率的设定和修改 preM = 0.5; error = 0; Nerror = 0; %错误个数和错误率的设定 %身高的决策 sprintf(%s,样本数为90时P0.5——0.5：) %测试或者训练样本的个数 figure; for i = 1:90 %测试或者训练样本的个数 PFheight = normpdf(test(i,1),Fmean(1,1),Fvar(1,1)) ; %得到男生身高的数据 PMheight = normpdf(test(i,1),Mmea