贝叶斯决策理论的Matlab实现.pdfVIP

第二章 1、 简述基于最小错误率的贝叶斯决策理论； 并分析在 “大数据时代”，使用贝叶斯决策理论需要解决哪些问 题，贝叶斯决策理论有哪些优缺点，贝叶斯决策理论适用条件和范围是什么？举例说明风险最小贝叶斯 决策理论的意义。 答： 在大数据时代，我们可以获得很多的样本数据，并且是已经标记好的；要使用贝叶斯决策理论最重 要的是确定类条件概率密度函数和相关的参数。 优缺点：贝叶斯决策的优点是思路比较简单，大数据的前提下我 们可以得到较准确的先验概率， 因此如果确定了类条件概率密度函数，我们便可以很快的知道如何分类，但是在大数据的前提下， 类条件概率密度函数的确定不是这么简单，因为参数可能会增多，有时候计算量也是很大的。 适用条件和范围： (1) 样本 (子样 )的数量 (容量 ) 不充分大，因而大子样统计理论不适宜的场合。 (2) 试验具有继承性，反映在统计学上就是要具有在试验之前已有先验信息的场合。用这种方法进 行分类时要求两点： 第一， 要决策分类的参考总体的类别数是一定的。 例如两类参考总体 (正常状态 Dl 和异常状态 D2) ， 或 L 类参考总体 D1 ，D2 ，, ， DL( 如良好、满意、可以、不满意、不允许、 ,, )。 第二，各类参考总体的概率分布是已知的，即每一类参考总体出现的先验概率 P(Di) 以及各类概率 密度函数 P(x/Di) 是已知的。显然， 0 ≤P(Di) ≤ 1， (i=l ，2 ，, ， L) ，∑ P(Di)=1 。 说明风险最小贝叶斯决策理论的意义： 那股票举例， 现在有 A 、B 两个股票， 根据市场行情结合最小错误率的风险选择 A 股 （假设为 0.55）， 而 B 股（ 0.45）；但是选着 A 股必须承担着等级为 7 的风险， B 股风险等级仅为 4 ；这时因遵循最 小风险的贝叶斯决策，毕竟如果 A 股投资的失败带来的经济损失可能获得收益还大。 2、 教材中例 2.1-2.2 的 Matlab 实现 . 2.1 ： 结果： 3、 利用 Matlab 提供的正态分布函数，产生 d(=1 ，2，3)维的随机数据 (可考虑类别数目为 2 ，各类的先验概 率自定或随机产生， 类条件概率由正态分布密度函数确定 ) ，编写 Matlab 代码实现最小错误率的贝叶斯决 策。 根据所给的 1 维代码可推出 2 维情况： 运行结果： 同理，将三维参数自定义为： 运行结果为： 4、 从最小错误率贝叶斯决策规则出发，讨论在类条件密度服从正态分布时，推导出不同情况下的判别函数 表达式。 5、 补充的实验验证题：分别用最小距离分类器（书 P.32,图 2-8 ）和马氏距离分类器（书 P.32,式 2-82 ）对下 列数据 (Fishers Iris Data) 进行分析 , 对比两种分类器的识别率有什么不同，并分析原因。 关于 Fishers Iris Data : Fishers iris data consists of measurements on the sepal length, sepal width, petal length, and petal width of 150 iris specimens. There are 50 specimens from each of three species. 在 Matlab 中调用 load fisheriris 可以得到该数据， meas 为 150 ×4 的数据矩阵， species 为 150×1 的 cell 矩阵，含有类别信息。 程序为： 运行结果： 原因： 最小距离分类器忽略了各类的协方差矩阵，将类内的个特征认为是相互独立的，马氏距离分离器则将其