模式识别实验报告-实验一-Bayes分类器设计汇总
模式识别实验一
, n 是 n 维均值
向 量 ， C i 是 n n 协 方 差 矩 阵 ； Ci 为 矩 阵 Ci 的 行 列 式 。 且 i Ei x ，
Ci Ei
x
i
x
i ， Ei x 表示对类别属于 i 的模式作数学期望运算。
T
因此判别函数可表示为 J i ( x) P( x | i ) P(i ) 对判别函数取自然对数
1 1 J i ( x) ( x i ) Ci1 ( x i ) ln P(i ) ln Ci 2 2
然后根据（1）中所述最大后验准则判断样本所属类别。 三、实验过程 实验数据： IRIS 数据集 实验假设： 各类数据服从正态分布 实验方法： 最大后验概率 实验环境： MATLAB 2010b （1）数据导入
A ， B 可设置每种类型的先验概率 P A ， P B 。针对某一训练数据 x 计
算其判别函数 J A x ， J B x ，比较两个值的大小，哪个最大，就可判断该数据 属于哪一类。最后统计分类器判决结果，设置矩阵存储被错误分类的数据，统计 A，B 两类测试数据的误判数，计算误判率。 %---------分类器测试----------% %选择分类组（w1,w2）（w1,w3）（w2,w3） %test = 1代表（w1,w2）分类 %test = 2代表（w1,w3）分类 %test = 3代表（w2,w3）分类 test = 1; if test==1 avr_A = avr_w1';var_A = var_w1'; avr_B = avr_w2';var_B = var_w2'; %合并待测数据 data_test = [data_test_w1;data_test_w2]; end if test==2 avr_A = avr_w1';var_A = var_w1'; avr_B = avr_w3';var_B = var_w3'; %合并待测数据 data_test = [data_test_w1;data_test_w3]; end if test==3 avr_A = avr_w2';var_A = var_w2'; avr_B = avr_w3';var_B = var_w3'; %合并待测数据 data_test = [data_test_w2;data_test_w3]; end %s设置先验概率 P_wA = 1/2; P_wB = 1/2;
模式识别第一次作业报告
模式识别第一次作业报告姓名：刘昌元学号：099064370 班级：自动化092班题目：用身高和/或体重数据进行性别分类的实验基本要求：用famale.txt和male.txt的数据作为训练样本集，建立Bayes分类器，用测试样本数据test1.txt和test2.txt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影响，从而加深对所学内容的理解和感性认识。
一、实验思路1：利用Matlab7.1导入训练样本数据，然后将样本数据的身高和体重数据赋值给临时矩阵，构成m行2列的临时数据矩阵给后面调用。
2：查阅二维正态分布的概率密度的公式及需要的参数及各个参数的意义，新建m函数文件，编程计算二维正态分布的相关参数：期望、方差、标准差、协方差和相关系数。
3.利用二维正态分布的相关参数和训练样本构成的临时数据矩阵编程获得类条件概率密度,先验概率。
4.编程得到后验概率，并利用后验概率判断归为哪一类。
5.利用分类器训练样本并修正参数，最后可以用循环程序调用数据文件，统计分类的男女人数，再与正确的人数比较得到错误率。
6.自己给出决策表获得最小风险决策分类器。
7.问题的关键就在于利用样本数据获得二维正态分布的相关参数。
8.二维正态分布的概率密度公式如下：试验中编程计算出期望，方差，标准差和相关系数。
其中：二、实验程序设计流程图：1：二维正态分布的参数计算%功能：调用导入的男生和女生的身高和体重的数据文件得到二维正态分布的期望，方差，标准差，相关系数等参数%%使用方法：在Matlab的命令窗口输入cansu(male) 或者cansu(famale) 其中 male 和 famale%是导入的男生和女生的数据文件名,运用结果返回的是一个行1行7列的矩阵，其中参数的顺序依次为如下:%%身高期望、身高方差、身高标准差、体重期望、体重方差、体重标准差、身高和体重的相关系数%%开发者：安徽工业大学电气信息学院自动化 092班刘昌元学号：099064370 %function result=cansu(file)[m,n]=size(file); %求出导入的数据的行数和列数即 m 行n 列%for i=1:1:m %把身高和体重构成 m 行 2 列的矩阵%people(i,1)=file(i,1);people(i,2)=file(i,2);endu=sum(people)/m; %求得身高和体重的数学期望即平均值%for i=1:1:mpeople2(i,1)=people(i,1)^2;people2(i,2)=people(i,2)^2;endu2=sum(people2)/m; %求得身高和体重的方差、%x=u2(1,1)-u(1,1)^2;y=u2(1,2)-u(1,2)^2;for i=1:1:mtem(i,1)=people(i,1)*people(i,2);ends=0;for i=1:1:ms=s+tem(i,1);endcov=s/m-u(1,1)*u(1,2); %求得身高和体重的协方差 cov (x,y)%x1=sqrt(x); %求身高标准差 x1 %y1=sqrt(y); %求身高标准差 y1 %ralation=cov/(x1*y1); %求得身高和体重的相关系数 ralation %result(1,1)=u(1,1); %返回结果 :身高的期望 %result(1,2)=x; %返回结果 : 身高的方差 %result(1,3)=x1; %返回结果 : 身高的标准差 %result(1,4)=u(1,2); %返回结果 :体重的期望 %result(1,5)=y; %返回结果 : 体重的方差 %result(1,6)=y1; %返回结果 : 体重的标准差 %result(1,7)=ralation; %返回结果：相关系数 %2：贝叶斯分类器%功能：身高和体重相关情况下的贝叶斯分类器（最小错误率贝叶斯决策）输入身高和体重数据，输出男女的判断%%使用方法：在Matlab命令窗口输入 bayes(a,b) 其中a为身高数据，b为体重数据。
bayes 分类器设置实验总结
bayes 分类器设置实验总结Bayes 分类器设置实验总结在机器学习领域中，分类算法是一个常见的任务之一。
Bayes 分类器是一种基于概率统计的分类算法，它基于贝叶斯定理对样本进行分类。
在本次实验中，我们将对Bayes 分类器的设置进行实验，并总结实验结果。
一、实验目的Bayes 分类器是一种简单但有效的分类算法，通过实验设置我们的目的是验证Bayes 分类器在不同参数下的分类效果，并探索如何对其进行优化。
我们希望通过实验的设计和分析，能够决定最佳的参数设置，并对Bayes 分类器的性能有更深入的了解。
二、数据集选择在进行实验之前，我们需要选择一个合适的数据集作为实验对象。
数据集应具备以下特点：1. 包含有标签的样本数据：由于Bayes 分类器是一种监督学习算法，我们需要有样本的标签信息来进行分类。
2. 具备多类别分类的情况：我们希望能够测试Bayes 分类器在多类别分类问题上的表现，以便更全面地评估其性能。
三、实验设置1. 数据预处理：根据所选数据集的特点，我们需要对数据进行适当的预处理。
可能的预处理步骤包括特征选择、特征缩放、处理缺失值等。
2. 分类器参数设置：Bayes 分类器的性能会受到不同参数的影响，我们希望通过实验找到最佳的参数设置。
例如，在朴素贝叶斯分类器中，我们可以选择不同的先验概率分布，或者使用不同的平滑技术来处理零概率问题。
3. 评价指标选择：为了评估分类器的性能，我们需要选择合适的评价指标。
常见的评价指标包括准确率、召回率、精确率和F1 分数等。
四、实验结果在实验完成后，我们将根据所选的评价指标对实验结果进行分析和总结。
我们可以比较不同参数设置下的分类器性能，并选择最佳的参数设置。
此外，我们还可以考虑其他因素对分类器性能的影响，如数据预处理方法和样本量等。
五、实验总结在本次实验中，我们通过对Bayes 分类器的设置进行实验，得到了一些有价值的结果和经验。
根据实验结果，我们可以总结以下几点：1. 参数设置的重要性：Bayes 分类器的性能受到参数设置的影响。
模式识别实验一.pdf
%计算三类训练数据的协方差矩阵 var_w1 = cov(data_train_w1(:,:)); var_w2 = cov(data_train_w2(:,:)); var_w3 = cov(data_train_w3(:,:));
%导入iris数据集
%---------抽取训练数据----------% %各组训练数据个数 NUM_train = 30; %在各组中随机抽取NUM_train个训练样本 %随机打乱各组数据顺序 temp_w1= randperm(50); temp_w2= randperm(50); temp_w3= randperm(50); %取随机打乱顺序后的前NUM_train个数据作为训练样本，并存储 %第5列数据代表其所属分类 for i=1:NUM_train
Ci Ei
x i
x
T i
， Ei x 表示对类别属于i 的模式作数学期望运算。
因此判别函数可表示为 Ji (x) P(x | i )P(i ) 对判别函数取自然对数
J
i
(
x)
1 2
(
x
i
)
Ci1
(
x
i
)
ln
P(i
)
1 2
ln
Ci
n ln(2 ) 2
(5)
在样本维数相同的情况下，上式中的最后一项为常数，与样本所属类别无关， 所以可以将其从判别函数中去掉，不会改变分类结果。判别函数化简为
一、实验目的 1. 掌握统计判别问题的含义，理解贝叶斯判别原理。 2. 编写两类正态分布模式的贝叶斯分类程序。 3. 观察各种因素对分类错误概率的影响。
二、实验原理 模式识别的分类问题是根据识别对象特征的观察值将其分到某个类别中去，
2018-分类器实验报告-word范文模板 (16页)
本文部分内容来自网络整理，本司不为其真实性负责，如有异议或侵权请及时联系，本司将立即删除！== 本文为word格式，下载后可方便编辑和修改！ ==分类器实验报告篇一：Bayes分类器设计实验报告装订线模式识别实验报告：学院计算机科学与技术专业 xxxxxxxxxxxxxxxx学号xxxxxxxxxxxx姓名xxxx指导教师xxxx201X年xx月xx日题目Bayes分类器设计一、实验目的对模式识别有一个初步的理解，能够根据自己的设计对贝叶斯决策理论算法有一个深刻地认识，理解二类分类器的设计原理。
二、实验原理最小风险贝叶斯决策可按下列步骤进行：(1)在已知叶斯公式计算出后验概率： ???及给出待识别的X的情况下，根据贝(2)利用计算出的后验概率及决策表，按下面的公式计算出采取险的条件风(3)对(2)中得到的a个条件风险值风险最小的决策????则就是最小风险贝叶斯决策。
，即进行比较，找出使其条件三、实验内容假定某个局部区域细胞识别中正常和非正常两类先验概率分别为正常状态：P （w1）=0.9；异常状态：P（w2）=0.1。
现有一系列待观察的细胞，其观察值为x：-3.9847-3.5549-1.2401-0.9780 -0.7932 -2.8531-2.7605-3.7287-3.5414-2.2692 -3.4549 -3.0752-3.9934 2.8792-0.97800.7932 1.1882 3.0682-1.5799-1.4885-0.7431-0.4221 -1.1186 4.2532已知类条件概率是的曲线如下图：类条件概率分布正态分布分别为N（-2，0.25）、N（2,4）试对观察的结果进行分类。
四、实验要求1）用matlab完成基于最小错误率的贝叶斯分类器的设计，要求程序相应语句有说明文字，要求有子程序的调用过程。
2）根据例子画出后验概率的分布曲线以及分类的结果示意图。
3）如果是最小风险贝叶斯决策，决策表如下：最小风险贝叶斯决策表：请重新设计程序，完成基于最小风险的贝叶斯分类器，画出相应的条件风险的分布曲线和分类结果,并比较两个结果。
《模式识别》实验报告-贝叶斯分类
《模式识别》实验报告---最小错误率贝叶斯决策分类一、实验原理对于具有多个特征参数的样本（如本实验的iris 数据样本有4d =个参数），其正态分布的概率密度函数可定义为112211()exp ()()2(2)T d p π-⎧⎫=--∑-⎨⎬⎩⎭∑x x μx μ 式中，12,,,d x x x ⎡⎤⎣⎦=x 是d 维行向量，12,,,d μμμ⎡⎤⎣⎦=μ是d 维行向量，∑是d d ⨯维协方差矩阵，1-∑是∑的逆矩阵，∑是∑的行列式。
本实验我们采用最小错误率的贝叶斯决策，使用如下的函数作为判别函数()(|)(),1,2,3i i i g p P i ωω==x x （3个类别）其中()i P ω为类别i ω发生的先验概率，(|)i p ωx 为类别i ω的类条件概率密度函数。
由其判决规则，如果使()()i j g g >x x 对一切j i ≠成立，则将x 归为i ω类。
我们根据假设：类别i ω，i=1,2,……,N 的类条件概率密度函数(|)i p ωx ，i=1,2,……,N 服从正态分布，即有(|)i p ωx ~(,)i i N ∑μ，那么上式就可以写为1122()1()exp ()(),1,2,32(2)T i i dP g i ωπ-⎧⎫=-∑=⎨⎬⎩⎭∑x x -μx -μ对上式右端取对数，可得111()()()ln ()ln ln(2)222T i i i i dg P ωπ-=-∑+-∑-i i x x -μx -μ上式中的第二项与样本所属类别无关，将其从判别函数中消去，不会改变分类结果。
则判别函数()i g x 可简化为以下形式111()()()ln ()ln 22T i i i i g P ω-=-∑+-∑i i x x -μx -μ二、实验步骤（1）从Iris.txt 文件中读取估计参数用的样本，每一类样本抽出前40个，分别求其均值，公式如下11,2,3ii iii N ωωω∈==∑x μxclear% 原始数据导入iris = load('C:\MATLAB7\work\模式识别\iris.txt'); N=40;%每组取N=40个样本%求第一类样本均值 for i = 1:N for j = 1:4w1(i,j) = iris(i,j+1); end endsumx1 = sum(w1,1); for i=1:4meanx1(1,i)=sumx1(1,i)/N; end%求第二类样本均值 for i = 1:N for j = 1:4 w2(i,j) = iris(i+50,j+1);end endsumx2 = sum(w2,1); for i=1:4meanx2(1,i)=sumx2(1,i)/N; end%求第三类样本均值 for i = 1:N for j = 1:4w3(i,j) = iris(i+100,j+1); end endsumx3 = sum(w3,1); for i=1:4meanx3(1,i)=sumx3(1,i)/N; end（2）求每一类样本的协方差矩阵、逆矩阵1i -∑以及协方差矩阵的行列式i ∑， 协方差矩阵计算公式如下11()(),1,2,3,41i ii N i jklj j lk k l i x x j k N ωωσμμ==--=-∑其中lj x 代表i ω类的第l 个样本，第j 个特征值；ij ωμ代表i ω类的i N 个样品第j 个特征的平均值lk x 代表i ω类的第l 个样品，第k 个特征值；iw k μ代表i ω类的i N 个样品第k 个特征的平均值。
Bayes分类器算法
⇒ x ∈ωi
2、具体步骤如下 A）.算出各类别特征值的均值 B）.求出特征值的协方差矩阵 C）.将第二步所得矩阵代入判别函数 g1(x)、g2(x) D）.将待测试样本集数据依次代入 g1(x)- g2(x)，若 g1(x)- g2(x)>0，则判断其为第一类，反
之为第二类。 3、流程图
确定特征及先验概率
体重： clear all; load FEMALE.txt; load MALE.txt; fid=fopen('test2.txt','r'); test1=fscanf(fid,'%f %f %c',[3,inf]); test=test1';
fclose(fid); Fmean = mean(FEMALE); Mmean = mean(MALE); Fvar = std(FEMALE); Mvar = std(MALE); preM = 0.9; preF = 0.1; error=0; Nerror=0; figure; for i=1:300
Nerror = Nerror +1; end; else plot(test(i,1),test(i,2),'k*'); if (test(i,3)=='F')
Nerror = Nerror +1; end end hold on; end; title('身高体重不相关最小风险的 Bayes 决策'); ylabel('身高(cm)'),zlabel('体重(kg)'); error = Nerror/300*100; sprintf('%s %d %s %0.2f%s','分类错误个数：',Nerror,'分类错误率为：',error,'%')
模式识别实验报告贝叶斯分类器
模式识别理论与方法
课程作业实验报告
实验名称：Generating Pattern Classes
实验编号：Proj02-01
规定提交日期：2012年3月30日
实际提交日期：2012年3月24日
摘要：
在熟悉贝叶斯分类器基本原理基础上，通过对比分类特征向量维数差异而导致分类正确率发生的变化，验证了“增加特征向量维数，可以改善分类结果”。
对于类数的先验概率已知、且无须考虑代价函数的情况，贝叶斯分类器相当简单：“跟谁亲近些，就归属哪一类”。
技术论述：
1，贝叶斯分类器基本原理：多数占优，错误率最小，风险最低
在两类中，当先验概率相等时，贝叶斯分类器可以简化如下：
2，增加有效分类特征分量，可以有助于改善分类效果
实验结果讨论：
从实验的过程和结果来看，进一步熟悉了贝叶斯分类器的原理和使用，基本达到了预期目的。
实验结果：
图1 原始数据
图2 按第1 个特征分量分类结果
图3 按第2 个特征分量分类结果
图4 综合两个特征分量分类结果附录：（程序清单，参见压缩包）
%在Matlab 版本2009a 下运行通过。
模式识别实验
实验1 图像的贝叶斯分类1.1 实验目的将模式识别方法与图像处理技术相结合，掌握利用最小错分概率贝叶斯分类器进行图像分类的基本方法，通过实验加深对基本概念的理解。
1.2 实验仪器设备及软件HP D538、MATLAB1.3 实验原理1.3.1 基本原理阈值化分割算法是计算机视觉中的常用算法，对灰度图象的阈值分割就是先确定一个处于图像灰度取值范围内的灰度阈值，然后将图像中每个像素的灰度值与这个阈值相比较。
并根据比较的结果将对应的像素划分为两类，灰度值大于阈值的像素划分为一类，小于阈值的划分为另一类，等于阈值的可任意划分到两类中的任何一类。
此过程中，确定阈值是分割的关键。
对一般的图像进行分割处理通常对图像的灰度分布有一定的假设，或者说是基于一定的图像模型。
最常用的模型可描述如下：假设图像由具有单峰灰度分布的目标和背景组成，处于目标和背景内部相邻像素间的灰度值是高度相关的，但处于目标和背景交界处两边的像素灰度值有较大差别，此时，图像的灰度直方图基本上可看作是由分别对应于目标和背景的两个单峰直方图混合构成。
而且这两个分布应大小接近，且均值足够远，方差足够小，这种情况下直方图呈现较明显的双峰。
类似地，如果图像中包含多个单峰灰度目标，则直方图可能呈现较明显的多峰。
上述图像模型只是理想情况，有时图像中目标和背景的灰度值有部分交错。
这时如用全局阈值进行分割必然会产生一定的误差。
分割误差包括将目标分为背景和将背景分为目标两大类。
实际应用中应尽量减小错误分割的概率，常用的一种方法为选取最优阈值。
这里所谓的最优阈值，就是指能使误分割概率最小的分割阈值。
图像的直方图可以看成是对灰度值概率分布密度函数的一种近似。
如一幅图像中只包含目标和背景两类灰度区域，那么直方图所代表的灰度值概率密度函数可以表示为目标和背景两类灰度值概率密度函数的加权和。
如果概率密度函数形式已知，就有可能计算出使目标和背景两类误分割概率最小的最优阈值。
《模式识别》实验报告-贝叶斯分类
《模式识别》实验报告-贝叶斯分类一、实验目的通过使用贝叶斯分类算法，实现对数据集中的样本进行分类的准确率评估，熟悉并掌握贝叶斯分类算法的实现过程，以及对结果的解释。
二、实验原理1.先验概率先验概率指在不考虑其他变量的情况下，某个事件的概率分布。
在贝叶斯分类中，需要先知道每个类别的先验概率，例如：A类占总样本的40%，B类占总样本的60%。
2.条件概率后验概率指在已知先验概率和条件概率下，某个事件发生的概率分布。
在贝叶斯分类中，需要计算每个样本在各特征值下的后验概率，即属于某个类别的概率。
4.贝叶斯公式贝叶斯公式就是计算后验概率的公式，它是由条件概率和先验概率推导而来的。
5.贝叶斯分类器贝叶斯分类器是一种基于贝叶斯定理实现的分类器，可以用于在多个类别的情况下分类，是一种常用的分类方法。
具体实现过程为：首先，使用训练数据计算各个类别的先验概率和各特征值下的条件概率。
然后，将测试数据的各特征值代入条件概率公式中，计算出各个类别的后验概率。
最后，取后验概率最大的类别作为测试数据的分类结果。
三、实验步骤1.数据集准备本次实验使用的是Iris数据集，数据包含150个Iris鸢尾花的样本，分为三个类别：Setosa、Versicolour和Virginica，每个样本有四个特征值：花萼长度、花萼宽度、花瓣长度、花瓣宽度。
2.数据集划分将数据集按7:3的比例分为训练集和测试集，其中训练集共105个样本，测试集共45个样本。
计算三个类别的先验概率，即Setosa、Versicolour和Virginica类别在训练集中出现的频率。
对于每个特征值，根据训练集中每个类别所占的样本数量，计算每个类别在该特征值下出现的频率，作为条件概率。
5.测试数据分类将测试集中的每个样本的四个特征值代入条件概率公式中，计算出各个类别的后验概率，最后将后验概率最大的类别作为该测试样本的分类结果。
6.分类结果评估将测试集分类结果与实际类别进行比较，计算分类准确率和混淆矩阵。
贝叶斯分类器报告
实验报告一、实验目的通过上机编程加深对贝叶斯分类器分类过程的理解，同时提高分析问题、解决问题、实际操作的能力。
二、实验数据说明实验数据来源于/ml/，详细说明请见附件一。
数据源的完整名称是Wine Data Set，是对3种不同的酒进行分类。
这三种酒包括13种不同的属性。
13种属性分别为：Alcohol，Malic acid，Ash，Alcalinity of ash，Magnesium，Total phenols，Flavanoids，Nonflavanoid phenols，Proanthocyanins，Color intensity，Hue，OD280/OD315 of diluted wines，Proline。
在“wine.data”文件中，每行代表一种酒的样本，共有178个样本；一共有14列，其中，第一列为类标志属性，共有三类，分别记为“1”，“2”，“3”；后面的13列为每个样本的对应属性的样本值。
其中第1类有59个样本，第2类有71个样本，第3类有48个样本。
三、朴素贝叶斯分类算法分析贝叶斯分类器是用于分类的贝叶斯网络。
该网络中应包含类结点C，其中C 的取值来自于类集合( c1 , c2 , ... , cm)，还包含一组结点X = ( X1 , X2 , ... , Xn)，表示用于分类的特征。
对于贝叶斯网络分类器，若某一待分类的样本D，其分类特征值为x = ( x1 , x2 , ... , x n) ，则样本D 属于类别ci 的概率P( C = ci | X1 = x1 , X2 = x 2 , ... , Xn = x n) ，( i = 1 ,2 , ... , m) 应满足下式：P( C = ci | X = x) = Max{ P( C = c1 | X = x) , P( C = c2 | X = x ) , ... , P( C = cm | X = x ) } 而由贝叶斯公式：P( C = ci | X = x) = P( X = x | C = ci) * P( C = ci) / P( X = x)其中，P( C = ci) 可由领域专家的经验得到,而P( X = x | C = ci) 和P( X = x) 的计算则较困难。
贝叶斯分类实验报告doc
贝叶斯分类实验报告篇一：贝叶斯分类实验报告实验报告实验课程名称数据挖掘实验项目名称贝叶斯分类年级XX级专业信息与计算科学学生姓名学号 1207010220理学院实验时间：XX年12月2日学生实验室守则一、按教学安排准时到实验室上实验课，不得迟到、早退和旷课。
二、进入实验室必须遵守实验室的各项规章制度，保持室内安静、整洁，不准在室内打闹、喧哗、吸烟、吃食物、随地吐痰、乱扔杂物，不准做与实验内容无关的事，非实验用品一律不准带进实验室。
三、实验前必须做好预习（或按要求写好预习报告），未做预习者不准参加实验。
四、实验必须服从教师的安排和指导，认真按规程操作，未经教师允许不得擅自动用仪器设备，特别是与本实验无关的仪器设备和设施，如擅自动用或违反操作规程造成损坏，应按规定赔偿，严重者给予纪律处分。
五、实验中要节约水、电、气及其它消耗材料。
六、细心观察、如实记录实验现象和结果，不得抄袭或随意更改原始记录和数据，不得擅离操作岗位和干扰他人实验。
七、使用易燃、易爆、腐蚀性、有毒有害物品或接触带电设备进行实验，应特别注意规范操作，注意防护；若发生意外，要保持冷静，并及时向指导教师和管理人员报告，不得自行处理。
仪器设备发生故障和损坏，应立即停止实验, 并主动向指导教师报告，不得自行拆卸查看和拼装。
八、实验完毕，应清理好实验仪器设备并放回原位，清扫好实验现场，经指导教师检查认可并将实验记录交指导教师检查签字后方可离去。
九、无故不参加实验者，应写出检查，提出申请并缴纳相应的实验费及材料消耗费，经批准后，方可补做。
十、自选实验，应事先预约，拟订出实验方案，经实验室主任同意后，在指导教师或实验技术人员的指导下进行。
H^一、实验室内一切物品未经允许严禁带出室外，确需带出，必须经过批准并办理手续。
学生所在学院：理学院专业：信息与计算科学班级: 信计121篇二：数据挖掘-贝叶斯分类实验报告实验报告实验课程名称数据挖掘实验项目名称贝叶斯的实现年级专业学生姓名学号00学院实验时间：年月曰13篇三：模式识别实验报告贝叶斯分类器模式识别理论与方法课程作业实验报告实验名称：Generating Pattern Classes 实验编号：Proj02-01规定提交日期：XX年3月30日实际提交日期：XX年3 月24日摘要：在熟悉贝叶斯分类器基本原理基础上，通过对比分类特征向量维数差异而导致分类正确率发生的变化，验证了“增加特征向量维数，可以改善分类结果”。
模式识别实验指导
《模式识别》实验指导实验用数据说明：¾训练样本集1)FAMALE.TXT——50个女生的身高、体重数据2)MALE.TXT——50个男生的身高、体重数据¾测试样本集1)test1.txt——35个同学的身高、体重、性别数据（15个女生、20个男生）2)test2.txt——300个同学的身高、体重、性别数据（50个女生、250个男生）实验一 Bayes分类器设计一、实验目的1)加深对Bayes分类器原理的理解和认识2)掌握Bayes分类器的设计方法二、实验环境1)具有相关编程软件的PC机三、实验原理1)Bayes分类器的理论基础2)分类器的性能评价四、实验内容1)用FAMALE.TXT和MALE.TXT的数据作为训练样本集，建立Bayes分类器；2)用测试样本数据test2.txt对该分类器进行测试;3)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影响，从而加深对所学内容的理解和感性认识。
五、实验步骤1)应用单个特征进行实验：以（a）身高或者（b）体重数据作为特征，在正态分布假设下利用最大似然法或者贝叶斯估计法估计分布密度参数，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到测试样本，考察测试错误情况。
在分类器设计时可以考察采用不同先验概率（如0.5对0.5, 0.75对0.25, 0.9对0.1等）进行实验，考察对决策规则和错误率的影响；2)用两个特征进行实验：同时采用身高和体重数据作为特征，分别假设二者相关或不相关，在正态分布假设下估计概率密度，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到训练/测试样本，考察训练/测试错误情况。
比较相关假设和不相关假设下结果的差异。
在分类器设计时可以考察采用不同先验概率（如0.5 vs. 0.5, 0.75 vs. 0.25, 0.9 vs. 0.1等）进行实验，考察对决策和错误率的影响；3)自行给出一个决策表，采用最小风险的Bayes决策重复上面的某个或全部实验。
iris数据集的贝叶斯分类
iris数据集的贝叶斯分类IRIS 数据集的Bayes 分类实验⼀、实验原理 1) 概述模式识别中的分类问题是根据对象特征的观察值将对象分到某个类别中去。
统计决策理论是处理模式分类问题的基本理论之⼀，它对模式分析和分类器的设计有着实际的指导意义。
贝叶斯（Bayes ）决策理论⽅法是统计模式识别的⼀个基本⽅法，⽤这个⽅法进⾏分类时需要具备以下条件：各类别总体的分布情况是已知的。
要决策分类的类别数是⼀定的。
其基本思想是：以Bayes 公式为基础，利⽤测量到的对象特征配合必要的先验信息，求出各种可能决策情况（分类情况）的后验概率，选取后验概率最⼤的,或者决策风险最⼩的决策⽅式(分类⽅式)作为决策（分类）的结果。
也就是说选取最有可能使得对象具有现在所测得特性的那种假设，作为判别的结果。
常⽤的Bayes 判别决策准则有最⼤后验概率准则（MAP ），极⼤似然⽐准则（ML ），最⼩风险Bayes 准则，Neyman-Pearson 准则（N-P ）等。
2) 分类器的设计对于⼀个⼀般的c 类分类问题，其分类空间：{}c w w w ,,,21 =Ω表特性的向量为：()T d x x x x ,,,21 =其判别函数有以下⼏种等价形式：a) ()()i j i w w i j c j w w x w P x w P ∈→≠=∈→>，且，,,2,11， b) ()()()()i j j i w w i j c j w P w x p w P w x p ∈→≠=>，且，,,2,1ic) ()()()()()i i j ji w w i j c j w P w P w x p w x p x l ∈→≠=>=，且，,,2,1d)()()()()ij j i i w w i j c j w P w x np w P w x p ∈→≠=+>+，且，,,2,1ln ln ln3) IRIS 数据分类实验的设计IRIS 数据集：⼀共具有三组数据，每⼀组都是⼀个单独的类别，每组有50个数据，每个数据都是⼀个四维向量。
模式识别贝叶斯方法报告
模式识别贝叶斯方法实验报告姓名与学号：教师：唐柯目录模式识别贝叶斯方法实验报告 (1)目录 (2)1 原理 (3)1.1 基本思想 (3)1.2 工作过程 (3)2 实验记录 (4)2.1 matlab程序 (4)2.2 特殊情况 (4)2.3 实验结果 (4)2.4 实验人员任务分配 (4)附录 (5)1 原理1.1 基本思想①已知类条件概率密度参数表达式（如符合正态分布）和先验概率（有监督，可统计得到） ②利用贝叶斯公式转换成后验概率 ③根据后验概率大小进行决策分类1.2 工作过程1. 每个数据样本用一个n 维特征向量X = {x 1 , x 2 ,..., x n }表示，对应属性A 1, A 2, ..., A n 。
2. m 个类别C 1 ,C 2 ,...,C m （在本实验中只有两类）。
给定一个未知类别的数据样本X ，分类器将预测X 属于具有最高后验概率（条件X 下）的类。
即将未知的样本分配给类C i ，当且仅当：P(C i | X) > P(C j | X) 1 ≤ j ≤ m 且j ≠ i.求令P(C i | X)最大的类Ci 称为最大后验假设。
根据贝叶斯定理P(C i | X) = P(X | C i )*P(C i )/P(X)由于P(X) 对于所有类别为常数，只需要P(X |C i )*P(C i )最大。
类别的先验概率可以统计得到（有监督），所以最大化P(X | C i )P(C i )。
类别的先验概率P(C i ) = 类别C i 的训练样本数/训练样本总数3. 假定各类别样本之间的属性值相互独立，则P(X|C i ) = ΠP(x k |C i ) k=1...n而概率P(x k |C i )可由训练样本估值，按属性离散与否分为 ①离散属性，则P(x k |C i ) = S ik /S iS ik 为在属性A k 上具有值x k 的类别C i 的训练样本数，S i 是类别C i 的样本数。
模式识别实验报告-实验一 Bayes分类器设计讲解
实验一 Bayes 分类器设计【实验目的】对模式识别有一个初步的理解，能够根据自己的设计对贝叶斯决策理论算法有一个深刻地认识，理解二类分类器的设计原理。
【实验原理】最小风险贝叶斯决策可按下列步骤进行：(1)在已知)(i P ω，)(i X P ω，i=1,…，c 及给出待识别的X 的情况下，根据贝叶斯公式计算出后验概率： ∑==cj iii i i P X P P X P X P 1)()()()()(ωωωωω j=1,…，x(2)利用计算出的后验概率及决策表，按下面的公式计算出采取i a ,i=1,…，a 的条件风险∑==cj j jii X P a X a R 1)(),()(ωωλ,i=1,2,…,a(3)对(2)中得到的a 个条件风险值)(X a R i ,i=1,…，a 进行比较，找出使其条件风险最小的决策k a ，即()()1,min k i i aR a x R a x ==则k a 就是最小风险贝叶斯决策。
【实验内容】假定某个局部区域细胞识别中正常（1ω）和非正常（2ω）两类先验概率分别为 正常状态：P （1ω）=0.9； 异常状态：P （2ω）=0.1。
现有一系列待观察的细胞，其观察值为x ：-3.9847 -3.5549 -1.2401 -0.9780 -0.7932 -2.8531 -2.7605 -3.7287 -3.5414 -2.2692 -3.4549 -3.0752 -3.9934 2.8792 -0.9780 0.7932 1.1882 3.0682-1.5799 -1.4885 -0.7431 -0.4221 -1.1186 4.2532 已知类条件概率是的曲线如下图：)|(1ωx p )|(2ωx p 类条件概率分布正态分布分别为N （-2，0.25）、N （2,4）试对观察的结果进行分类。
【实验要求】1)用matlab 完成基于最小错误率的贝叶斯分类器的设计，要求程序相应语句有说明文字，要求有子程序的调用过程。
模式识别实验报告2_贝叶斯分类实验_实验报告(例)
end
plot(1:23,t2,'b','LineWidth',3);
%下面是bayesian_fun函数
functionf=bayesian_fun(t2,t1,W1,W2,w1,w2,w10,w20)
x=[t1,t2]';
f=x'*W1*x+w1'*x+w10- (x'*W2*x+w2'*x+w20);
%f=bayesian_fun.m
function f=bayesian_fun(t2,t1,W1,W2,w1,w2,w10,w20)
x=[t1,t2]';
f=x'*W1*x+w1'*x+w10 - (x'*W2*x+w2'*x+w20);
w10=-1/2 * u1'*S1tinv*u1 - 1/2 *log(det(S1t)) + log(pw1);
w20=-1/2 * u2'*S2tinv*u2 - 1/2 *log(det(S2t)) + log(pw2);
t2=[]
fort1=1:23
tt2 = fsolve('bayesian_fun',5,[],t1,W1,W2,w1,w2,w10,w20);
'LineWidth',2,...
'MarkerEdgeColor','k',...
'MarkerFaceColor',[0 1 0],...
'MarkerSize',10)
贝叶斯分类实验报告
贝叶斯分类实验报告贝叶斯分类实验报告引言：贝叶斯分类是一种经典的机器学习算法，它基于贝叶斯定理，通过计算给定特征条件下某个类别的概率来进行分类。
在本次实验中，我们将探索贝叶斯分类算法的原理和应用，并通过实验验证其性能。
一、实验目的本次实验的目的是通过使用贝叶斯分类算法，对一组给定的数据集进行分类，并评估其分类性能。
通过实验，我们希望了解贝叶斯分类算法的原理和优势，以及在实际应用中的效果。
二、实验方法1. 数据集准备：我们从公开数据集中选择了一个包含多个特征和标签的数据集，用于训练和测试贝叶斯分类器。
数据集包含了不同种类的样本，其中每个样本都有一组特征和对应的标签。
2. 数据预处理：在进行分类之前，我们对数据集进行了预处理。
首先，我们对数据进行了清洗，去除了缺失值和异常值。
然后，我们对特征进行了标准化处理，以确保它们具有相似的尺度。
3. 模型训练：我们使用训练集对贝叶斯分类器进行了训练。
在训练过程中，贝叶斯分类器会计算每个类别的先验概率和每个特征在给定类别下的条件概率。
这些概率将用于后续的分类过程。
4. 模型评估：我们使用测试集对训练好的贝叶斯分类器进行了评估。
评估过程中，我们计算了分类器的准确率、精确率、召回率和F1值等指标，以综合评估其性能。
三、实验结果经过实验，我们得到了以下结果：1. 准确率：贝叶斯分类器在测试集上的准确率达到了90%，表明其在分类任务中具有较高的准确性。
2. 精确率和召回率：贝叶斯分类器在不同类别上的精确率和召回率表现较好。
其中，类别A的精确率为85%，召回率为92%；类别B的精确率为92%，召回率为88%。
3. F1值：综合考虑精确率和召回率，我们计算了贝叶斯分类器的F1值。
结果显示，贝叶斯分类器的F1值为0.89，说明其在平衡准确率和召回率方面表现良好。
四、实验讨论本次实验结果表明，贝叶斯分类器在处理多类别分类问题上具有较高的准确性和性能。
然而，我们也注意到一些潜在的局限性和改进空间。
作业一 Bayes分类器设计
作业一 Bayes 分类器设计一 实验目的对模式识别有一个初步的理解，能够根据自己的设计对贝叶斯决策理论算法有一个深刻地认识，理解二类分类器的设计原理。
二 实验原理最小风险贝叶斯决策可按下列步骤进行：(1)在已知)(i P ω，)(i X P ω，i=1,…，c 及给出待识别的X 的情况下，根据贝叶斯公式计算出后验概率：∑==c j ii i i i P X P P X P X P 1)()()()()(ωωωωω j=1,…，x(2)利用计算出的后验概率及决策表，按下面的公式计算出采取i a ,i=1,…，a 的条件风险∑==c j j j ii X P a X a R 1)(),()(ωωλ,i=1,2,…,a(3)对(2)中得到的a 个条件风险值)(X a R i ,i=1,…，a 进行比较，找出使其条件风险最小的决策k a ，即()()1,min k i i aR a x R a x == )2,2(~)(2∑μN x p 则k a 就是最小风险贝叶斯决策。
三 实验程序及结果分析clcclearx =[0.2331 1.5207 0.6499 0.7757 1.0524 1.1974 0.2908 0.2518 0.6682 0.5622 0.9023 0.1333 -0.5431 0.9407 -0.2126 0.0507 -0.0810 0.7315 0.3345 1.0650 -0.0247 0.1043 0.3122 0.6655 0.5838 1.1653 1.2653 0.8137 -0.3399 0.5152 0.7226 -0.2015 0.4070 -0.1717 -1.0573 -0.2099];y =[2.3385 2.1946 1.6730 1.6365 1.7844 2.0155 2.06812.1213 2.4797 1.5118 1.9692 1.8340 1.8704 2.2948 1.77142.3939 1.5648 1.9329 2.2027 2.4568 1.7523 1.6991 2.48831.72592.0466 2.0226 2.3757 1.7987 2.0828 2.0798 1.94492.3801 2.2373 2.1614 1.9235 2.2604];z =[0.5338 0.8514 1.0831 0.4164 1.1176 0.5536 0.6071 0.4439 0.4928 0.5901 1.0927 1.0756 1.0072 0.4272 0.43530.9869 0.4841 1.0992 1.0299 0.7127 1.0124 0.4576 0.85441.1275 0.7705 0.4129 1.0085 0.7676 0.8418 0.8784 0.9751 0.7840 0.4158 1.0315 0.7533 0.9548];x2 =[1.4010 1.2301 2.0814 1.1655 1.3740 1.1829 1.76321.97392.4152 2.5890 2.8472 1.9539 1.2500 1.2864 1.26142.0071 2.1831 1.7909 1.3322 1.1466 1.7087 1.5920 2.93531.46642.9313 1.8349 1.8340 2.5096 2.7198 2.3148 2.03532.6030 1.2327 2.1465 1.5673 2.9414];y2 =[1.0298 0.9611 0.9154 1.4901 0.8200 0.9399 1.1405 1.0678 0.8050 1.2889 1.4601 1.4334 0.7091 1.2942 1.3744 0.9387 1.2266 1.1833 0.8798 0.5592 0.5150 0.9983 0.9120 0.7126 1.2833 1.1029 1.2680 0.7140 1.2446 1.3392 1.1808 0.5503 1.4708 1.1435 0.7679 1.1288];z2 =[0.6210 1.3656 0.5498 0.6708 0.8932 1.4342 0.9508 0.7324 0.5784 1.4943 1.0915 0.7644 1.2159 1.3049 1.14080.9398 0.6197 0.6603 1.3928 1.4084 0.6909 0.8400 0.53811.3729 0.7731 0.7319 1.3439 0.8142 0.9586 0.7379 0.7548 0.7393 0.6739 0.8651 1.3699 1.1458];samp1=[x' y' z'];samp2=[x2' y2' z2'];u1=mean(samp1,1) %求均值u2=mean(samp2,1)length1=length(samp1) ;%样本数据的个数length2=length(samp2);E1=cov(samp1) %协方差矩阵E2=cov(samp2)%r1=std(samp1,0,1) %求均方差%r2=std(samp2,0,1)pw1=0.6;pw2=0.4;%判别函数 gi(x)%其中(i=1,2)，d为x的维数，此处d=3%计算(1 1.5 0.6 ) (1.2 1.0 0.55) (2.0 0.9 0.68) (1.2 1.5 0.89) (0.23 2.33 1.43) a1=[1 1.5 0.6] ;a2=[1.2 1.0 0.55];a3=[2.0 0.9 0.68];a4=[1.2 1.5 0.89];a5=[0.23 2.33 1.43];A=[a1' a2' a3' a4' a5'];w0=-1.5*log(2*pi);%计算gi(x),利用公式 p(wi|x)=p(x|wi)*p(wi)/p(x) 求出 p(wi|x)for i=1:5g1a(i)=-0.5*(A(:,i)-u1')'*inv(E1)*(A(:,i)-u1')-0.5*log(det(E1))+log(pw1)+w0;g2a(i)=-0.5*(A(:,i)-u2')'*inv(E2)*(A(:,i)-u2')-0.5*log(det(E2))+log(pw2)+w0;pw1a(i)=exp(g1a(i))/(1/((2*pi)^1.5*(det(E1))^0.5)*exp(-0.5*(A(i)-u1')'*inv(E1)*(A(i)-u1'))) ;%计算p(w1|ai)pw2a(i)=exp(g2a(i))/(1/((2*pi)^1.5*(det(E2))^0.5)*exp(-0.5*(A(i)-u2')'*inv(E2)*(A(i)-u2'))) ;%计算p(w2|ai)Ra1(i)=pw2a(i)*6;Ra2(i)=pw1a(i)*1;endfigure(1)plot3(x,y,z,'r*') %第一类hold onplot3(x2,y2,z2,'bp') %第二类for i=1:5if g1a(i)>g2a(i)plot3(A(1,i),A(2,i),A(3,i),'go')elseplot3(A(1,i),A(2,i),A(3,i),'m^')endendgrid onlegend('第一类','第二类','被分在第一类','被分在第二类');figure(2)plot3(x,y,z,'r*') %第一类hold onplot3(x2,y2,z2,'bp') %第二类for i=1:5if Ra2(i)>Ra1(i)plot3(A(1,i),A(2,i),A(3,i),'go')elseplot3(A(1,i),A(2,i),A(3,i),'m^')endendgrid onlegend('第一类','第二类','被分在第一类','被分在第二类');实验结果：样本的概率密度函数)1,1(~)(1∑μN x p ，)2,2()(2∑=μN x p其中]7802.0,0304.2,4187.0[1=μ，]9494.0,0514.1,9058.1[2=μ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡----=∑⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡----=∑0923.00098.00575.00098.00754.00205.00575.00205.03376.010642.00014.00039.00014.00755.00148.00039.00148.03198.01，，，，，，，，，，，，，。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实验一 Bayes 分类器设计【实验目的】对模式识别有一个初步的理解，能够根据自己的设计对贝叶斯决策理论算法有一个深刻地认识，理解二类分类器的设计原理。
【实验原理】最小风险贝叶斯决策可按下列步骤进行：(1)在已知)(i P ω，)(i X P ω，i=1,…，c 及给出待识别的X 的情况下，根据贝叶斯公式计算出后验概率：∑==c j ii i i i P X P P X P X P 1)()()()()(ωωωωω j=1,…，x(2)利用计算出的后验概率及决策表，按下面的公式计算出采取i a ,i=1,…，a 的条件风险∑==c j j j ii X P a X a R 1)(),()(ωωλ,i=1,2,…,a(3)对(2)中得到的a 个条件风险值)(X a R i ,i=1,…，a 进行比较，找出使其条件风险最小的决策k a ，即()()1,min k i i aR a x R a x ==L 则k a 就是最小风险贝叶斯决策。
【实验内容】假定某个局部区域细胞识别中正常（1ω）和非正常（2ω）两类先验概率分别为正常状态：P （1ω）=0.9；异常状态：P （2ω）=0.1。
现有一系列待观察的细胞，其观察值为x ：-3.9847 -3.5549 -1.2401 -0.9780 -0.7932 -2.8531-2.7605 -3.7287 -3.5414 -2.2692 -3.4549 -3.0752-3.9934 2.8792 -0.9780 0.7932 1.1882 3.0682-1.5799 -1.4885 -0.7431 -0.4221 -1.1186 4.2532已知类条件概率是的曲线如下图：)|(1ωx p )|(2ωx p 类条件概率分布正态分布分别为N （-2，0.25）、N （2,4）试对观察的结果进行分类。
【实验要求】1) 用matlab 完成基于最小错误率的贝叶斯分类器的设计，要求程序相应语句有说明文字，要求有子程序的调用过程。
2)根据例子画出后验概率的分布曲线以及分类的结果示意图。
3) 如果是最小风险贝叶斯决策，决策表如下：最小风险贝叶斯决策表：请重新设计程序，完成基于最小风险的贝叶斯分类器，画出相应的条件风险的分布曲线和分类结果,并比较两个结果。
【实验程序】◆最小错误率贝叶斯决策✧分类器设计x=[-3.9847 -3.5549 -1.2401 -0.9780 -0.7932 -2.8531 -2.7605 -3.7287-3.5414 -2.2692 -3.4549 -3.0752 -3.9934 2.8792 -0.97800.79321.1882 3.0682 -1.5799 -1.4885 -0.7431 -0.4221 -1.1186 4.2532 ]pw1=0.9 ; pw2=0.1e1=-2; a1=0.5e2=2;a2=2m=numel(x) %得到待测细胞个数pw1_x=zeros(1,m) %存放对w1的后验概率矩阵pw2_x=zeros(1,m) %存放对w2的后验概率矩阵results=zeros(1,m) %存放比较结果矩阵for i = 1:m%计算在w1下的后验概率pw1_x(i)=(pw1*normpdf(x(i),e1,a1))/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i),e 2,a2))%计算在w2下的后验概率pw2_x(i)=(pw2*normpdf(x(i),e2,a2))/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i),e 2,a2))endfor i = 1:mif pw1_x(i)>pw2_x(i) %比较两类后验概率result(i)=0 %正常细胞elseresult(i)=1 %异常细胞endenda=[-5:0.05:5] %取样本点以画图n=numel(a)pw1_plot=zeros(1,n)pw2_plot=zeros(1,n)for j=1:npw1_plot(j)=(pw1*normpdf(a(j),e1,a1))/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a (j),e2,a2))%计算每个样本点对w1的后验概率以画图pw2_plot(j)=(pw2*normpdf(a(j),e2,a2))/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a (j),e2,a2))endfigure(1)hold onplot(a,pw1_plot,'k-',a,pw2_plot,'r-.')for k=1:mif result(k)==0plot(x(k),-0.1,'b*') %正常细胞用*表示elseplot(x(k),-0.1,'rp') %异常细胞用五角星表示end;end;legend('正常细胞后验概率曲线','异常细胞后验概率曲线','正常细胞','异常细胞')xlabel('样本细胞的观察值')ylabel('后验概率')title('后验概率分布曲线')grid onreturn ;✧实验内容仿真x = [-3.9847 , -3.5549 , -1.2401 , -0.9780 , -0.7932 , -2.8531 ,-2.7605 ,-3.7287 , -3.5414 , -2.2692 , -3.4549 , -3.0752 , -3.9934 , 2.8792 , -0.9780 , 0.7932 , 1.1882 , 3.0682, -1.5799 , -1.4885 , -0.7431 , -0.4221 , -1.1186 , 4.2532 ]disp(x)pw1=0.9pw2=0.1[result]=bayes(x,pw1,pw2)◆最小风险贝叶斯决策✧分类器设计function [R1_x,R2_x,result]=danger(x,pw1,pw2)m=numel(x) %得到待测细胞个数R1_x=zeros(1,m) %存放把样本X判为正常细胞所造成的整体损失R2_x=zeros(1,m) %存放把样本X判为异常细胞所造成的整体损失result=zeros(1,m) %存放比较结果e1=-2a1=0.5a2=2%类条件概率分布px_w1:（-2，0.25）px_w2（2,4）r11=0r12=2r21=4r22=0%风险决策表for i=1:m %计算两类风险值R1_x(i)=r11*pw1*normpdf(x(i),e1,a1)/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i), e2,a2))+r21*pw2*normpdf(x(i),e2,a2)/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i), e2,a2))R2_x(i)=r12*pw1*normpdf(x(i),e1,a1)/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i), e2,a2))+r22*pw2*normpdf(x(i),e2,a2)/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i), e2,a2))endfor i=1:mif R2_x(i)>R1_x(i)%第二类比第一类风险大result(i)=0 %判为正常细胞（损失较小），用0表示result(i)=1 %判为异常细胞，用1表示endenda=[-5:0.05:5] %取样本点以画图n=numel(a)R1_plot=zeros(1,n)R2_plot=zeros(1,n)for j=1:nR1_plot(j)=r11*pw1*normpdf(a(j),e1,a1)/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf( a(j),e2,a2))+r21*pw2*normpdf(a(j),e2,a2)/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf (a(j),e2,a2))R2_plot(j)=r12*pw1*normpdf(a(j),e1,a1)/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf( a(j),e2,a2))+r22*pw2*normpdf(a(j),e2,a2)/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf (a(j),e2,a2))%计算各样本点的风险以画图endfigure(1)plot(a,R1_plot,'b-',a,R2_plot,'g*-')for k=1:mif result(k)==0plot(x(k),-0.1,'b^')%正常细胞用上三角表示elseplot(x(k),-0.1,'go')%异常细胞用圆表示end;end;legend('正常细胞','异常细胞','Location','Best')xlabel('细胞分类结果')ylabel('条件风险')title('风险判决曲线')grid onreturn实验内容仿真x = [-3.9847 , -3.5549 , -1.2401 , -0.9780 , -0.7932 , -2.8531 ,-2.7605 , -3.7287 , -3.5414 , -2.2692 , -3.4549 , -3.0752 , -3.9934 , 2.8792 , -0.9780 , 0.7932 , 1.1882 , 3.0682, -1.5799 , -1.4885 , -0.7431 , -0.4221 , -1.1186 , 4.2532 ]disp(x)pw1=0.9[R1_x,R2_x,result]=danger(x,pw1,pw2)【实验结果和数据】最小错误率贝叶斯决策后验概率曲线与判决结果在一张图上：后验概率曲线如图所示，带*的绿色曲线为判决成异常细胞的后验概率曲线；另一条平滑的蓝色曲线为判为正常细胞的后验概率曲线。
根据最小错误概率准则，判决结果见曲线下方，其中“上三角”代表判决为正常细胞，“圆圈”代表异常细胞。