用身高与体重数据进行性别分类的实验报告.docxVIP

用身高和体重数据进行性不分类的实验报告

姓名：刘懿郴学号：2021302308

范英学号：2021302316

胡亮学号：2021302319

班级：9391

全然要求用和的数据作为练习样本集，建立Bayes分类器，用测试样本数据对该分类器进行测试。调整特征、分类器等方面的一些因素，考察它们对分类器性能的碍事，从而加深对所学内容的理解和感性熟悉。

2、具体做法

〔1〕应用两个特征进行实验：同时采纳身高和体重数据作为特征，分不假设二者相关或不相关，在正态分布假设下估量概率密度，建立最小错误率Bayes分类器，写出得到的决策规那么，将该分类器应用到练习/测试样本，考察练习/测试错误情况。比立相关假设和不相关假设下结果的差异。在分类器设计时能够考察采纳不同先验概率〔如0.5vs.等〕进行实验，考察对决策和错误率的碍事。

自行给出一个决策表，采纳最小风险的Bayes决策重复上面的实验。

3、实验原理

样本服从正态分布，

〔1〕

因此能够用最大似然估量来估量μ和Σ两个参数

样本类分为男生和女生两类，利用最大似然估量分不估量出男生样本的，，和女生样本的，，然后将数据带进〔1〕公式分不计算两者的类条件概率密度和，然后依据贝叶斯公式

计算出两类的后验概率和

实验一：关于两类情况，我们能够仅定义一个判不函数：

其中=

=

并将决策规那么表示为

要是0，那么决策；

0，那么决策。

实验二：我们定义一个决策表如以如下面图

损失状态决策

损失

0

6

2

0

我们定义判不函数

并将决策规那么表示为

要是0，那么决策；

0，那么决策。

x

x

x

0?

输进数据样本集

带进判不函数

N

Y

实验流程图

4、实验结果

，和，，如此我们能够利用公式和判不函数与决策规那么对练习/测试样本集进行分类，结果如下：

当体重和身高相关的时候

关于test1测试集，总体来讲，对样本集的判定正确率随着男性的先验概率的增加〔女性先验概率的减少〕先增大后减小，而关于男性或者女性的的个体判不随着男性的先验概率的增加而正确率不断增加或不断减小〔也确实是根基随着男性先验概率的增加，将男性判定为女性的概率越来越少，甚至没有；而把女性判不为男性的概率越来越大〕而关于test1测试集，对样本集的判定正确率随着男性的先验概率的增加〔女性先验概率的减少〕而不断增加，而关于男性或者女性的的个体判不随着男性的先验概率的增加而正确率不断增加或不断减小〔也确实是根基随着男性先验概率的增加，将男性判定为女性的概率越来越大；而把女性判不为男性的概率越来越小〕

〔2〕当体重和身高不相关的时候

关于test1测试集，总体来讲，对样本集的判定正确率随着男性的先验概率的增加〔女性先验概率的减少〕先增大后减小，而关于男性或者女性的的个体判不随着男性的先验概率的增加而正确率不断增加或不断减小〔也确实是根基随着男性先验概率的增加，将男性判定为女性的概率越来越少，甚至没有；而把女性判不为男性的概率越来越大〕而关于test1测试集，对样本集的判定正确率随着男性的先验概率的增加〔女性先验概率的减少〕而不断增加，而关于男性或者女性的的个体判不随着男性的先验概率的增加而正确率不断增加或不断减小〔也确实是根基随着男性先验概率的增加，将男性判定为女性的概率越来越大；而把女性判不为男性的概率越来越小〕

〔3〕当体重和身高相关的时候

关于test1测试集，总体来讲，对样本集的判定正确率随着男性的先验概率的增加〔女性先验概率的减少〕先增大后减小，而关于男性或者女性的的个体判不随着男性的先验概率的增加而正确率不断增加或不断减小〔也确实是根基随着男性先验概率的增加，将男性判定为女性的概率越来越少，甚至没有；而把女性判不为男性的概率越来越大〕而关于test1测试集，对样本集的判定正确率随着男性的先验概率的增加〔女性先验概率的减少〕而不断增加，而关于男性或者女性的的个体判不随着男性的先验概率的增加而正确率不断增加或不断减小〔也确实是根基随着男性先验概率的增加，将男性判定为女性的概率越来越大；而把女性判不为男性的概率越来越小〕

〔4〕当体重和身高不相关的时候

关于test1测试集，总体来讲，对样本集的判定正确率随着男性的先验概率的增加〔女性先验概率的减少〕先增大后减小，而关于男性或者女性的的个体判不随着男性的先验概率的增加而正确率不断增加或不断减小〔也确实是根基随着男性先验概率的增加，将男性判定为女性的概率越来越少，甚至没有；而把女性判不为男性的概率越来越大〕而关于test1测试集，对样本集的判定正确率随着男性的先验概率的增加〔女性先验概率的减少〕而不断增加，而关于男性或者女性的的个体判不随着男性的先验概率的增加而正确率不断增加或不断减小〔也确实是根基随着男性先验概率的增加，将男性判定为女性的概率越来越大；而把女性判不为男性的概率越来越小〕。