模式识别实验最小错误率下的贝叶斯决策.docxVIP

《模式识别》实验报告题目：最小错误率?贝叶斯决策?实验内容1，实验原理2，实验步骤1）从iris?.txt 文件（课程邮箱-文件中心）中读取估计?参数用的样?本，每一类样本?抽出前40?个，分别求其均?值； （2）求每类样本?的协方差矩?阵、逆矩阵以及?协方差矩阵?的行列式； （3）对三个类别?，分别取每组?剩下的 10个样本?，每两组进行?分类。由于每类样?本都相等，且每类选取?用作训练的?样本也相等?，在每两组进?行分类时，待分类样本?的类先验概?率为0.5。将各个样本?代入判别函?数既公式(5)，进行分类。3，实验要求（1）复习最小错?误率贝叶斯?决策原理，写出实验代?码，实现对三类?样本的分类?； （2）计算分类的?正确率，画出三维空?间的样本分?类图； （3）分析实验结?果，完成实验报?告。二、实验代码（1），clear?% 原始数据导?入iris=load(iris.txt);N=40;%每组取N=40个样本?%求第一类样?本均值for i = 1:Nfor j = 1:4w1(i,j) = iris(i,j+1);endendsumx1? = sum(w1,1);for i=1:4meanx?1(1,i)=sumx1?(1,i)/N;end%求第二类样?本均值for i = 1:Nfor j = 1:4w2(i,j) = iris(i+50,j+1);endendsumx2? = sum(w2,1);for i=1:4meanx?2(1,i)=sumx2?(1,i)/N;end%求第三类样?本均值for i = 1:Nfor j = 1:4w3(i,j) = iris(i+100,j+1);endendsumx3? = sum(w3,1);for i=1:4meanx?3(1,i)=sumx3?(1,i)/N;end（2），%求第一类样?本协方差矩?阵z1(4,4) = 0;var1(4,4) = 0;for i=1:4for j=1:4for k=1:Nz1(i,j)=z1(i,j)+(w1(k,i)-meanx?1(1,i))*(w1(k,j)-meanx?1(1,j));endvar1(i,j) = z1(i,j) / (N-1);endend%求第二类样?本协方差矩?阵z2(4,4) = 0 ;var2(4,4) = 0;for i=1:4for j=1:4for k=1:Nz2(i,j)=z2(i,j)+(w2(k,i)-meanx?2(1,i))*(w2(k,j)-meanx?2(1,j));endar2(i,j) = z2(i,j) / (N-1);endend%求第三类样?本协方差矩?阵z3(4,4) = 0 ;var3(4,4) = 0;for i=1:4for j=1:4for k=1:Nz3(i,j)=z3(i,j)+(w3(k,i)-meanx?3(1,i))*(w3(k,j)-meanx?3(1,j));endvar3(i,j) = z3(i,j) /( N-1);endend%求各类的协?方差矩阵逆?矩阵及行列?式var1_?inv = [];var1_?det = [];var2_?inv = [];var2_?det = [];var3_?inv = [];var3_?det = [];var1_?inv = inv(var1);var2_?inv = inv(var2);var3_?inv = inv(var3);var1_?det = det(var1);var2_?det = det(var2);var3_?det = det(var3);（3），M=10;for i = 1:Mfor j = 1:4test(i,j) = iris(i+50,j+1); % 取测试数据?endendt1=0;t2=0;t3=0;for i = 1:Mx=test(i,1);y=test(i,2);z=test(i,3);h=test(i,4);g1 = (-0.5)*([x,y,z,h]-meanx?1)*var1_?inv*([x,y,z,h]-meanx?1) - 0.5*log(abs(var1_?det)) +log(0.5); % p1g2 = (-0.5)*([x,y,z,h]-meanx?2)*var2_?inv*([x,y,z,h]-meanx?2) - 0.5*log(abs(var2_?det)) +log(0.5); % p2if g1g2t1=t1+1; %若g1g2,则属于第一?类，否则属于第?二类，并统计属于?每一类的个?数elset2=t2+1;endend三、实验结果（1）第一类样本?均值：5.03753.45251.460.235第二类样本?均值：6.012