模式识别大作业

任务1用身高和/或体重数据对性别分类(a)基本要求：FAMALE。TXT和MALE .使用TXT中的数据作为培训抽样集设置Bayes分类器，使用测试抽样数据测试分类器。调整对特征、分类器等的一些因素，调查对分类器性能的影响，从而加深对所学内容的理解和感性认识。具体实践：1.应用单个特性进行实验。(a)以高度或(b)重量数据为特征，在正态分布假设下使用最大似然法或贝叶斯估计法估计分布密度参数，设置最小误差率托架分类器，制定结果确定规则，将测试器应用于测试样本，并审查测试误差条件。分类器设计中使用不同先验概率(例如，0.5比0.5、0.75比0.25、0.9比0.1等)的实验，可以研究对决策规则和错误率的影响。图1-预概率0.5:0.5分布曲线图2-预概率0.75:0.25分布曲线图3-先验概率0.9:0.1分布曲线图4其他先验概率曲线有图表表明先验概率对决策规则和错误率有很大影响。程序：bayesflq1.m和bayeszcx.m2.应用两个特点进行实验。以身高和体重数据为特征，分别假定相关或不相关(在正态分布中以一定间隔独立)，在正态分布假设下估计概率密度，创建最小错误率托架分类器，编写结果确定规则，将此分类器应用于教育/测试样本，调查教育/测试错误情况。比较与相关假设无关的假设下的结果差异。分类器设计中，可以使用不同的先验概率(例如，0.5比0.5、0.75比0.25、0.9比0.1等)进行实验，并研究对决定和错误率的影响。测试示例female培训图1先验概率0.5比0.5图2先验概率0.75比0.25图3先验概率0.9比0.1度4其他先验概率测试样品1测试图测试样品2测试有图表表明先验概率对决策规则和错误率有很大影响。程序bayesflq2.m和bayeszcx2.m3.使用将风险降至最低的Bayes决策，直接提供重复上述一个或所有实验的决策表。Ceshi1单功能高度测试设置：决策表波1W2波100.7W20.30Close allClear allX=120:0.13336200设置%采样范围和精度Pw1=0.9Pw2=0.1设定%先验概率读取Sample1=textread(FEMALE.txt)%样例Samplw1=zeros (1，length (sample1 (:1)；U1=mean(sample1(:1)；M1=std(sample1(:1)；Y1=normpdf(X，u1，m1)；%类条件概率分布figure(1)；Subplot(2，1，1)；Plot(X，y1)；Title(F高度条件概率分布曲线)；读取Sample2=textread(MALE.txt)%样例Sample22=zeros (1，length (sample2 (:1)；U2=mean(sample2(:1)；M2=std(sample2(:1)；Y2=normpdf(X，u2，m2)；%类条件概率分布Subplot(2，1，2)；Plot(X，y2)；Title(M高度条件概率分布曲线)；P1=pw1*y1。/(pw1 * y1 pw2 * y2)；P2=pw2*y2。/(pw1 * y1 pw2 * y2)；figure(2)；Subplot(2，1，1)；Plot(X，P1)；Title(F高度后概率分布曲线)；Subplot(2，1，2)；Plot(X，P2)；标题(m高度后概率分布曲线)；P11=pw1 * y1P22=pw2 * y2figure(3)；Subplot(3，1，1)；Plot(X，P11)；Subplot(3，1，2)；Plot(X，P22)；Subplot(3，1，3)；Plot(X、P11、X、P22)；读取sample=textread(all sample . txt)%样例result=Bayes (sample1 (:1)、sample2 (:1)、pw1、pw2)；yes分类器functionresult=Bayes(sample 1(:1)，sample2 (:1)，pw1，pw2)；error 1=0；error 2=0；U1=mean(sample1(:1)；M1=std(sample1(:1)；Y1=normpdf(X，u1，m1)；%类条件概率分布U2=mean(sample2(:1)；M2=std(sample2(:1)；Y2=normpdf(X，u2，m2)；%类条件概率分布P1=pw1*y1。/(pw1 * y1 pw2 * y2)；P2=pw2*y2。/(pw1 * y1 pw2 * y2)；For I=1:50If P1(i)P2(i)result(I)=0；PE(I)=P2(I)；Elseresult(I)=1；PE(I)=P1(I)；EndEndFor i=1:50if result(k)=0Error1=error1Elsesult (k)=1error 2=error 2 1；EndEndratio=error 1 error 2/length(sample)；%识别率，百分比形式Sprintf(准确的识别率为%.2f%。ratio)任务2性别分类的身高/体重数据(2)基本要求：与基于概率密度估计的贝叶斯分离器相比，实验了直接设计线性分类器的方法。具体实践：使用以身高和体重数据为特征的fisher线性判别方法查找分类器，将此分类器应用于训练和测试样本，并调查训练和测试错误情况。在图表上绘制训练样本和取得的决策界限。这段时间用Bayes方法求的分类器也绘制在图表上，比较了结果的相似性和差异。回答：ClcClear all读取Sample1=textread(FEMALE.txt)%样例读取Sample2=textread(MALE.txt)%样例length1，width 1=size(sample 1)；length2，width 2=size(sample 2)；One1=ones(length1，1)；One2=ones(length2，1)；Plot (sample1 (:1)、sample1 (:2)、r * sample2 (:1)、sample2 (:)Title(Famale和male键体重群集图)；Y1=sample1(:1:2)；Y2=sample2(:1:2)；m1=mean(Y1)；m2=mean(Y2)；S1=(Y1-one 1 * m1)*(Y1-one 1 * m1)；S2=(Y2-one 2 * m2)*(Y2-one 2 * m2)；Sw=S1 S2ww=inv(SW)；w=inv(SW)*(m1-m2)；y=Y1；y2；z=Y * w；霍尔德温t=z * w/norm(w)2；Plot(t(:1)，t(:2)For I=1:length1 length2Plot (y (I，1) t (I，1)，y (I，2) t (I，2)，-。）EndAxis(120 200 40 100)title(fisher线性变换后)；栅格任务2图1任务2图2利用K-L变换进行特征提取的实验一、基本要求FAMALE .TXT和MALE .利用TXT中的数据，利用K-L变换对这组样本进行变形，与过去fisher线性判别方法或其他方法获得的分类面进行比较，加深对所学内容的理解和感性理解。二、具体做法1.在不考虑类别信息的情况下，对整个采样集执行K-L变换(即PCA)，并将计算出的新特征方向表示在二维平面上，以研究在具有最大特征值的方向投影的男女采样的分布情况，然后将其分类为相应的主组件2.使用类平均向量提取判别信息，选择最佳投影方向，调查投影后样本的分布，并将其分类为相应的投影方向。3.将上述投影及分类情况与以前的各种分类情况进行比较，考察各自的特性和相互关系。三、实验原理K-L变换是基于目标统计特性的最佳正交变换。转换后生成的新零部件具有一些优秀的特性，例如垂直或不关联。表示原始矢量平均平方误差最小的一些新分量。转换后的矢量进一步确定，能量更加集中。此方法的目的是找到统计分布的数据集的主要组件子集。n维向量、平均向量、协方差矩阵、对称正政治矩阵的协方差向量是由对应特征值的固有向量组成的转换数组，并满足。转换矩阵是旋转矩阵，该转换数组在新的正交基本空间中转换为相应的协方差矩阵。省略对应于几个小特征值的特征向量，减少y维，然后处理。一般来说，唯一值的范围很大，忽略某些小值不会产生大错误。1.在不考虑类别信息的情况下对整个抽样集执行K-L转换(即PCA)(1)读取female.txt和male.txt两个数据集以构建示例集。计算采样平均矢量和协方差(2)计算协方差矩阵c的特征值和特征向量u(3)选择特征值最大的特征矢量作为投影方向(4)选择要判断的阈值使用类平均信息提取判别信息(1)读取female.txt和male.txt两个数据集，分别计算采样平均矢量和协方差和总平均矢量(2)计算类之间的离散度矩阵Sb()和类内的离散度矩阵Sw()(3)以比较分类性能选择最佳投影方向(4)选择要判断的阈值四、实验结果和分析1.在不考虑类别信息的情况下对整个抽样集执行K-L转换(即PCA)U=(0.6269，0.7791) t，P1=0.5，p2=0.5判断错误的数量错误率使用K-L变换判别方法14是14%使用fisher线性判别法1212%使用类平均信息提取决策信息U=(0.5818，0.8133) t，P1=0.5，p2=0.5判断错误的数量错误率使用K-L变换判别方法1313%使用fisher线性判别法1212%不考虑类别信息ClcClear allFH fw=textread(c : users rengang desktop homework female . txt，% f % f)；MH MW=text read(c : users rengang desktop homework male . txt，% f % f)；FA=FH FW；FA=FAMA=MH MW；MA=MAFor k=1:50NT(:k)=FA(:k)；EndFor k=51:100NT(:k)=MA(:k-50)；Endx=(sum(N