贝叶斯分类.doc

贝叶斯分类贝叶斯分类贝叶斯分类统计分析实验Bayes分类器设计研究目的：理解贝叶斯分类器,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。实验材料：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()=0。9；异常状态:P()=0。1。现有一系列待观察的细胞，其观察值为：-3.9847-3。5549—1。2401—0.9780—0。7932—2。8531—2。7605-3.7287—3.5414—2.2692-3。4549—3。0752-3.99342。8792—0。97800。79321。18823。0682-1。5799-1.4885—0。7431-0。4221—1。11864.2532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。实验设计用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.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。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：状态决策α104α220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。数据处理方法最小风险贝叶斯决策可按下列步骤进行：（1)在已知，，i=1，…，c及给出待识别的的情况下,根据贝叶斯公式计算出后验概率: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=1，…，a的条件风险,i=1,2，…，a(3）对（2）中得到的a个条件风险值,i=1,…，a进行比较，找出使其条件风险最小的决策，即则就是最小风险贝叶斯决策。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。99342。8792—0。97800。79321。18823.0682—1。5799—1.4885-0.7431—0。4221—1.11864.2532]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fori=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），e2，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)，e2，a2）)endfori=1：mifpw1_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)forj=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)holdonplot（a,pw1_plot,’k—’,a，pw2_plot，’r-.'）fork=1:mifresult（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’）gridonreturn；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