线性多分类问题算法实现.docxVIP

下载本文档

6
0
约9.32千字
约 14页
2019-12-16 发布于广东
举报
版权申诉

线性多分类问题算法实现.docx

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

模式识别题目作业三一一线性多分类问题的算法实现院系专业班级学生姓名学号二O—八年三月一、问题重述分别使用以下四种方法对样本进行训练和测试。方法：基于类均值的最小距离法；近邻法；基于两类判决的l-r策略的固定增量算法；基于两类判决的1-1策略的固定增量算法。样本: 三类九个训练样本第一类：(75, 145) (80, 150) (85, 155) 第二类：(55, 105) (60, 100) (65, 95) 第三类：(110, 100) (100, 100) (110, 80) 三个测试样本第一个：(60, 140) 第二个：(80, 125) 第三个：(90, 110) 算法流程 1、基于类均值的最小距离法基于类均值的最小距离法思想是首先计算每类训练样本的均值点，再分别计算每个均值点到测试样木的距离，测试样木归属于距其最近的均值点所在的数据类型。算法流程如下：图1基于类均值的最小距离法流程图核心程序如下： %训练样木 FirstTrain=[75, 145;80, 150;85, 155]; SecondTrain=[55, 105;60, 100;65, 95]; ThirdTrain=[110,100;100, 100;110, 80]; %求均值 Mean二[mean (FirstTrain);mean(SecondTrain);mean(Th i rdTra i n)]; %测试样本 Study=[80,125]; %判别结果 StudyType二zeros (size (Study, 1)); %基于类均值的最小距离法 for i=l:size(Study, 1) [n,m]=min(pdist2(Study(i, :), Mean)); StudyTypc(i)二 End figure scatter(FirstTrain(:,1),FirstTrain(2), ,b); text (Mean(l, 1), Mean(l, 2),第一类,Color，，‘ k); hold on; seatter(SecondTrain(:, 1), SecondTrain(:,2),o,b); text (Mean (2, 1), Mean (2, 2)，‘ 第二类，‘ Color，‘ k); scatter (ThirdTrain(:, 1), ThirdTrain(:, 2), d, b); text (Mean (3, 1), Mean (3, 2),第三类,Color，，‘ k); for i=l:size(Study, 1) if StudyType(i)二二1 text(Study(i, 1)+1, Study(i, 2)，‘ 第一类，‘ Color, r); el seif StudyType (i)==2 text (Study (i, 1) +1, Study (i, 2),第二类’,Color，，‘ r); clseif StudyType(i)==3 text (Study (i, 1) +1, Study (i, 2),第三类,Color，，‘ r); end scatter (Study (i, 1), Study (i, 2), g); for j=l:size (Mean, 1) if j==StudyTypc(i) plot ([Study (i, 1), Mean (j, 1) ], [Study (i, 2), Mean(j⑵]Color，‘ m); else plot ([Study (i, l),Mean(j, 1)], [Study (i, 2), Mean (j, 2)], ； end end end titleC最小距离法分类结果) xlabel ( xl); ylabel ( x2) 2、近邻法近邻法的思想是首先计算每个训练样本到测试样本的距离，测试样本归属于距其最近的训练样本点所在的数据类型。算法流程如下：图2近邻法流程图核心算法： %训练样木 FirstTrain=[75, 145;80, 150;85, 155]; SecondTrain=[55, 105;60, 100;65, 95]; ThirdTrain=[110,100;100, 100;110, 80]; %测试样本 Study二[60,140;80, 125;90, 110]; %判别结果 StudyType=zeros (size (Study, 1)); First二sizc(FirstTrain, 1); Second=First+size (SecondTrain,1); Th i rd=Second+s i ze (Th i rdT