模式识别实验三.doc

实验三 最小错误率的贝叶斯分类0840501104 刘悦一、 实验目的通过学习贝叶斯决策了解统计决策理论中的一个基本方法，对模式识别有个初步的了解。二、 实验内容利用贝叶斯后验概率确定分类：设有19人进行体检，结果如下表。但事后发现4人忘了写性别，试问，这4人是男是女？序号身高体重性别序号身高体重性别117068男1114062男213066女1215064女318071男1312066女419073男1415066男516070女1513065男615066男1614070？719068男1715060？821076男1814565？910058女1916075？1017075男C=2。男1类，女2类。三、 实验过程Matlab代码如下：M=50;% M为最大的类数% 已知类别样本15个 （身高，体重，类别）。1-男，2-女n=15;pattern=170,68,1;130,66,2;180,71,1;190,73,1;160,70,2;150,66,1;190,68,1;210,76,1;100,58,2;170,75,1;140,62,1; 150,64,2; 120,66,2; 150,66,1;130,65,1; % 未知类别样本4个X= 140,70,0; 150,60,0; 145,65,0; 160,75,0;K=4; % 未知类别样本个数pattern % 显示patternX % 显示未知类别的样本C=2; % 类别总数C=2num=zeros(1,C);%数组 num(i)存放第i类的样本数(i=1.Cfor i=1:n % 统计每类样本数num(pattern(i,3)=num(pattern(i,3)+1;endfor i=1:C % 输出每类样本数fprintf(%d 类样本数= %d n,i,num(i)end% 计算每类的先验概率for i=1:C P(i)=num(i)/n; % 输出每类的先验概率 fprintf(%d 类的先验概率=%.2f n,i,P(i)end% float PW1M,PW2M; 存放后验概率数组% float height,weight; 身高-体重% 对未知类别的样本进行分类判断for k=1:K% 对未知类别样本数据：身高-体重加以处理 fprintf(第%d 个样本：%d,%dn,k,X(k,1),X(k,2) height=X(k,1); weight=X(k,2); num1=0; for i=1:n if (pattern(i,1)=height&pattern(i,3)=1)num1=num1+1; end end if (num1=0) % 防止 0 概率，分子分母均作处理：分子加1，分母加类别数或不同取值个数 PW1(1)=1/(num(1)+2); else PW1(1)=(num1+1)/(num(1)+2); end num1=0; for i=1:n if (pattern(i,2)=weight&pattern(i,3)=1)num1=num1+1; end end if (num1=0) % 防止 0 概率，分子分母均作处理：分子加1，分母加类别数或不同取值个数 PW1(2)=1/(num(1)+2); else PW1(2)=(num1+1)/(num(1)+2); end num2=0; for i=1:n if (pattern(i,1)=height&pattern(i,3)=2) num2=num2+1; end end if (num2=0) PW2(1)=1/(num(2)+2); else PW2(1)=(num2+1)/(num(2)+2); end num2=0; for i=1:n if (pattern(i,2)=weight&pattern(i,3)=2) num2=num2+1; end end if (num2=0) PW2(2)=1/(num(2)+2); else PW2(2)=(num2+1)/(num(2)+2); end PWT1=PW1(1)*PW1(2)*P(1); % 计算属于第一类的似然概率*先验概率 PWT2=PW2(1)*PW2(2)*P(2); % 计算属于第二类的似然概率*先验概率 fprintf( 属于第一类的似然概率*先验概率（后验概率*P(X)= %.2f n,PWT1) fprintf( 属于第二类的似然概率*先验概率（后验概率*P(X)= %.2f n,PWT2) if (PWT1PWT2) fprintf( %d -th pattern belongs to 1n,k)elseif (PWT1PWT2) fprintf( %d