贝叶斯分类..docxVIP

统计分析实验 Bayes分类器设计研究目的：理解贝叶斯分类器，能够根据自己的设计对贝叶斯决策理论算法有一个深刻地认识，理解二类分类器的设计原理。实验材料：假定某个局部区域细胞识别中正常（）和非正常（）两类先验概率分别为正常状态：P（）=0.9；异常状态：P（）=0.1。现有一系列待观察的细胞，其观察值为：-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 已知类条件概率是的曲线如下图：类条件概率分布正态分布分别为N（-2，0.25）、N（2,4）试对观察的结果进行分类。实验设计用matlab完成基于最小错误率的贝叶斯分类器的设计，要求程序相应语句有说明文字，要求有子程序的调用过程。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。如果是最小风险贝叶斯决策，决策表如下：最小风险贝叶斯决策表：状态决策α104α220请重新设计程序，完成基于最小风险的贝叶斯分类器，画出相应的条件风险的分布曲线和分类结果,并比较两个结果。数据处理方法最小风险贝叶斯决策可按下列步骤进行：　(1)在已知，，i=1,…，c及给出待识别的的情况下，根据贝叶斯公式计算出后验概率：　　j=1,…，x 　(2)利用计算出的后验概率及决策表，按下面的公式计算出采取,i=1,…，a的条件风险　,i=1,2,…,a　(3)对(2)中得到的a个条件风险值,i=1,…，a进行比较，找出使其条件风险最小的决策，即则就是最小风险贝叶斯决策。最小错误率贝叶斯决策分类器设计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 0.79321.1882 3.0682 -1.5799 -1.4885 -0.7431 -0.4221 -1.1186 4.2532 ]pw1=0.9 ; pw2=0.1e1=-2; a1=0.5e2=2;a2=2m=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*normpdf(a(j),e1,a1))/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a(j),e2,a2))%计算每个样本点对w1的后验概率以画图pw2_plot(j)=(pw2*normpdf(a(j),e2,a2))/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a(j),e2,a2))endfigure(1)hold onplot(a,pw1_plot,k-,a,pw2_plot,r-.)for k=1:m if result(k)==0 plot(x(k),-0.1,b*) %正常细胞用*表示 else plot(x(k),-0.1,rp) %异常细胞用五角星表示 end;end;legend(正常细胞后验概率曲线,异常细胞后验概率曲线,正常细胞,异常细胞)xlabel