iris数据集的贝叶斯分类.pdfVIP

IRIS 数据集的 Bayes分类实验 一、 实验原理 1) 概述 模式识别中的分类问题是根据对象特征的观察值将对象分到 某个类别中去。统计决策理论是处理模式分类问题的基本理论之 一，它对模式分析和分类器的设计有着实际的指导意义。 贝叶斯（ Bayes）决策理论方法是统计模式识别的一个基本方法， 用这个方法进行分类时需要具备以下条件： 各类别总体的分布情况是已知的。 要决策分类的类别数是一定的。 其基本思想是： 以 Bayes 公式为基础， 利用测量到的对象特征 配合必要的先验信息，求出各种可能决策情况（分类情况）的后 验概率，选取后验概率最大的 , 或者决策风险最小的决策方式 ( 分 类方式 ) 作为决策（分类）的结果。也就是说选取最有可能使得对 象具有现在所测得特性的那种假设，作为判别的结果。 常用的 Bayes 判别决策准则有最大后验概率准则 （MAP），极大 似然比准则（ ML），最小风险 Bayes 准则， Neyman-Pearson 准则 （N-P）等。 2) 分类器的设计 对于一个一般的 c 类分类问题，其分类空间： w , w , ,w 1 2 c 表特性的向量为： T x x ,x , , x 1 2 d 其判别函数有以下几种等价形式： a) P w x P w x w w ，j 1,2, ,c，且j i w w ， i j 1 i b) p x wi P wi p x w j P w j ，j 1,2, ,c ，且j i w wi p x wi P w j c) l x ，j 1,2, ,c ，且j i w wi p x w j P wi d) ln p x wi ln P wi np x w j ln P w j ，j 1,2, ,c，且 j i w wi 3) IRIS 数据分类实验的设计 IRIS 数据集： 一共具有三组数据， 每一组都是一个单独的类别， 每组 有 50 个数据，每个数据都是一个四维向量。 其分类空间为： w , w , w 1 2 3 表特性的向量为： T x x ,x ,x ,x 1 2 3 4 实验目的： 利用 Bayes 判别准则对三组数据进行分类， 希望能够尽 量准确的判断出从 IRIS 数据集中选取的样本所属的类别。 实验设计思路：