Bayes的基本思想和判别分析.ppt

for k=1:n2 B=G2([1:k-1,k+1:n2],:); N2=length(B(:,1)); M2=mean(B,1);s22=cov(B); S2=((n1-1)*s1+(N2-1)*s22+(n3-1)*s3)/(n1+N2+n3-k); %计算混合样本协方差 P01=n1/(n-1);P02=N2/(n-1);P03=n3/(n-1); %计算先验概率 for i=1:n2 %计算G2总体样本线性判别函数结果 W2(i,1)=m1*inv(S2)*G2(i,:)-1/2*m1*inv(S2)*m1+log(P01); W2(i,2)=M2*inv(S2)*G2(i,:)-1/2*M2*inv(S2)*M2+log(P02); W2(i,3)=m3*inv(S2)*G2(i,:)-1/2*m3*inv(S2)*m3+log(P03); for j=1:3 if W2(i,j)==max(W2(i,:))j~=2 N22=N22+1; end end end end %计算G2总体样本线性判别函数结果 %w2(i,j)取最大且j不为2，G2总体中xi判错，误判个数加1 for k=1:n3 C=G3([1:k-1,k+1:n3],:); N3=length(C(:,1)); M3=mean(C,1);s33=cov(C); S3=((n1-1)*s1+(n2-1)*s2+(N3-1)*s33)/(n1+n2+N3-k); %计算混合样本方差 P01=n1/(n-1);P02=n2/(n-1);P03=N3/(n-1); %计算先验概率 for i=1:n3 %计算G3总体样本线性判别函数结果 W3(i,1)=m1*inv(S3)*G3(i,:)-1/2*m1*inv(S3)*m1+log(P01); W3(i,2)=m2*inv(S3)*G3(i,:)-1/2*m2*inv(S3)*m2+log(P02); W3(i,3)=M3*inv(S3)*G3(i,:)-1/2*M3*inv(S3)*M3+log(P03); %计算G3总体样本线性判别函数结果 for j=1:3 if W3(i,j)==max(W3(i,:))j~=3 N33=N33+1; end end end end p11=(N11+N22+N33)/(n1+n2+n3) %计算交叉误判率 输出结果： p11 =0.0370 交叉误判率3.70%，效果较好。 %w3(i,j)取最大且j不为3，G3总体中xi判错，误判个数加1 * 内容 距离判别（两总体及多总体距离判别）； 判别准则评价(回代误判率、交叉误判率); Bayes判别(基本思想、Bayes判别准则) 重点 两总体Bayes判别准则(距离判别)，误判率的估计； 作业 4.4 4.5 本章小结 * 正态总体 广义平方距离: 线性判别函数 * 设有K个总体，样品来自各个总体先验概率为pi，各总体密度函数fi(x)，在观测到一个样品X条件下，可根据贝叶斯公式计算出它来自某个总体的后验概率。 待判样品属于哪一类的后验概率最大，就把它分入哪一类。 一般假设服从多元正态分布、各总体的协方差矩阵相等。 * 将上述两总体Bayes判别，用于正态总体，可以转化成广义距离，便于理解。 * 书上93页倒数第6行，改正号 * * D2-d1=2(w1-w2)将上述两总体Bayes判别，用于正态总体，可以转化成广义距离，便于理解。 * |.|--行列式，p—随机向量总体维数，tr--矩阵的迹 * * * * /gggdhbbg/blog/item/9fb8e055bc74245d574e006a.html * |.|--行列式，p—随机向量总体维数，tr--矩阵的迹 * * |.|--行列式，p—随机向量总体维数，tr--矩阵的迹 * * 误判损失极其比值难于确定，就用情形1；如先验概率难确定，用情形2；如两个都难确定，用情形3. apf=[1.14,1.78; 1.18,1.96;1.20,1.86;1.26,2.;1.28,2;1.30,1.96]; af=[1.24,1.72;1.36,1.74;1.38,1.64;1.38,1.82;1.38,1.90; 1.40,1.70;1.48,1.82;1.