分类器实验报告.doc

分类器实验报告 篇一：Bayes分类器设计实验报告 装 订 线 模式识别实验报告 ：学 院 计算机科学与技术 专 业 xxxxxxxxxxxxxxxx 学 号xxxxxxxxxxxx 姓 名xxxx 指导教师xxxx 2015年xx月xx日 题目 Bayes分类器设计 一、实验目的 对模式识别有一个初步的理解，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。 二、实验原理 最小风险贝叶斯决策可按下列步骤进行： (1)在已知 叶斯公式计算出后验概率： ??? 及给出待识别的X的情况下，根据贝 (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 险 的条件风 (3)对(2)中得到的a个条件风险值 风险最小的决策 ???? 则就是最小风险贝叶斯决策。 ，即进行比较，找出使其条件 三、实验内容 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（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 2.8792-0.97800.7932 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。 四、实验要求 1）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。 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）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： 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。 五、实验程序 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 -0.97800.7932 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)) end for i = 1:m if pw1_x(i)gt;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 end end a=[-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:n pw1_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)) end figure(1) hold on plot(a,pw1_plot,#39;k-#39;,a,pw2_plot,#39;r-.#39;) for k=1:m if result(k)==