贝叶斯实验报告总结计划.docxVIP

HUNAN UNIVERSITY 人工智能实验报告 题 目 实验三：分类算法实验 学生姓名 匿名 学 生学 号 2013080702xx 专 业班 级 智能科学与技术 1302  班 指导老师  袁进 一．实验目的 了解朴素贝叶斯算法的基本原理； 能够使用朴素贝叶斯算法对数据进行分类 了解最小错误概率贝叶斯分类器和最小风险概率贝叶斯分类器 学会对于分类器的性能评估方法 二、实验的硬件、软件平台 硬件：计算机 软件：操作系统： WINDOWS10 应用软件： C,Java 或者 Matlab 相关知识点 : 贝叶斯定理： 表示事件 B 已经发生的前提下， 事件 A 发生的概率， 叫做事件 B 发生下事件 A 的条件概 率，其基本求解公式为： 贝叶斯定理打通了从 P(A|B) 获得 P(B|A) 的道路。 直接给出贝叶斯定理： 朴素贝叶斯分类是一种十分简单的分类算法， 叫它朴素贝叶斯分类是因为这种方法的思想真的很朴素，朴素贝叶斯的思想基础是这样的： 对于给出的待分类项， 求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。 朴素贝叶斯分类的正式定义如下： 1、设 为一个待分类项，而每个 a 为 x 的一个特征属性。 2 、有类别集合 。 3、计算 。 4、如果 ，则 。 那么现在的关键就是如何计算第 3 步中的各个条件概率。我们可以这么做： 、找到一个已知分类的待分类项集合，这个集合叫做训练样本集。 、统计得到在各类别下各个特征属性的条件概率估计。即 、如果各个特征属性是条件独立的，则根据贝叶斯定理有如下推导： 因为分母对于所有类别为常数，因为我们只要将分子最大化皆可。又因为各特征属性是条件独 立的，所以有： 整个朴素贝叶斯分类分为三个阶段： 第一阶段 : 准备工作阶段，这个阶段的任务是为朴素贝叶斯分类做必要的准备，主要工作是根据具体情况确定特征属性，并对每个特征属性进行适当划分，然后由人工对一部分待分类项进行分类，形成训练样本集合。这一阶段的输入是所有待分类数据，输出是特征属性和训练样本。这一阶段是整个朴素贝叶斯分类中唯一需要人工完成的阶段，其质量对整个过程将有重要影响，分类器的质量很大程度上由特征属性、特征属性划分及训练样本质量决定。 第二阶段 : 分类器训练阶段，这个阶段的任务就是生成分类器，主要工作是计算每个类别在训练样本中的出现频率及每个特征属性划分对每个类别的条件概率估计，并将结果记录。其输入是特征属性和训练样本，输出是分类器。这一阶段是机械性阶段，根据前面讨论的公式可以由程序自动计算完成。 第三阶段 : 应用阶段。这个阶段的任务是使用分类器对待分类项进行分类，其输入是分类器和待分类项，输出是待分类项与类别的映射关系。这一阶段也是机械性阶段，由程序完成。 三、实验内容及步骤 实验内容： A. 利用贝叶斯算法进行数据分类操作， 并统计其预测正确率 , 数据集：汽车评估数据集 （learn 作为学习集， test 作为测试集合） B. 随机产生 10000组正样本和 20000负样本高斯分布的数据集合（维数设为二维），要求正样 本：均值为 [1;3] ，方差为 [2 0;0 2] ；负样本：均值为 [10;20] ，方差为 [10 0;0 10]. 先验概 率按样本量设定为 1/3 和 2/3. 分别利用最小错误概率贝叶斯分类器和最小风险概率贝叶斯分 类器对其分类。（假设风险程度正样本分错风险系数为 0.6 ，负样本分错风险为 0.4 ，该设定 仅用于最小风险分析） 相关概念 : 贝叶斯法则 , 先验概率 , 后验概率 , 最大后验概率 贝叶斯法则 机器学习的任务：在给定训练数据 D 时，确定假设空间 H 中的最佳假设。 最佳假设：一种方法是把它定义为在给定数据 D 以及 H 中不同假设的先验概率的有关知识下的最可能假设。贝叶 斯理论提供了一种计算假设概率的方法，基于假设的先验概率、给定假设下观察到不同数据的概率以及观察到的 数据本身。 2. 先验概率和后验概率 用 P(h) 表示在没有训练数据前假设 h 拥有的初始概率。 P(h) 被称为 h 的先验概率。先验概率反映了关于 h 是一正 确假设的机会的背景知识如果没有这一先验知识，可以简单地将每一候选假设赋予相同的先验概率。类似地， P(D) 表示训练数据 D的先验概率， P(D|h) 表示假设 h 成立时 D 的概率。机器学习中，我们关心的是 P(h|D) ，即给 定 D 时 h 的成立的概率，称为 h 的后验概率。 3. 贝叶斯公式 贝叶斯公式提供了从先验概率 P(h) 、 P(D) 和 P(D|h) 计算后验概率 P(h|D) 的方法 p(h|D)=P(D|H)*P(H)/P(D) P(h|D) 随着 P(h)