资源描述：
《模式识别实验最小错误率下的贝叶斯决策》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、《模式识别》实验报告题目：最小错误率贝叶斯决策一、实验内容1，实验原理2，实验步骤1）从iris.txt文件（课程邮箱-文件中心）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；（2）求每类样本的协方差矩阵、逆矩阵以及协方差矩阵的行列式；（3）对三个类别，分别取每组剩下的10个样本，每两组进行分类。由于每类样本都相等，且每类选取用作训练的样本也相等，在每两组进行分类时，待分类样本的类先验概率为0.5。将各个样本代入判别函数既公式(5)，进行分类。3，实验要求（1）复习最小错误率贝叶斯决策原理，写出实验代码，实现对三类样本的分类；（
2、2）计算分类的正确率，画出三维空间的样本分类图；（3）分析实验结果，完成实验报告。二、实验代码（1），clear%原始数据导入iris=load('iris.txt');N=40;%每组取N=40个样本%求第一类样本均值fori=1:Nforj=1:4w1(i,j)=iris(i,j+1);endendsumx1=sum(w1,1);fori=1:4meanx1(1,i)=sumx1(1,i)/N;end%求第二类样本均值fori=1:Nforj=1:4w2(i,j)=iris(i+50,j+1);endendsumx2=sum(w2,1);f
3、ori=1:4meanx2(1,i)=sumx2(1,i)/N;end%求第三类样本均值fori=1:Nforj=1:4w3(i,j)=iris(i+100,j+1);endendsumx3=sum(w3,1);fori=1:4meanx3(1,i)=sumx3(1,i)/N;end（2），%求第一类样本协方差矩阵z1(4,4)=0;var1(4,4)=0;fori=1:4forj=1:4fork=1:Nz1(i,j)=z1(i,j)+(w1(k,i)-meanx1(1,i))*(w1(k,j)-meanx1(1,j));endvar1(i,j
4、)=z1(i,j)/(N-1);endend%求第二类样本协方差矩阵z2(4,4)=0;var2(4,4)=0;fori=1:4forj=1:4fork=1:Nz2(i,j)=z2(i,j)+(w2(k,i)-meanx2(1,i))*(w2(k,j)-meanx2(1,j));endar2(i,j)=z2(i,j)/(N-1);endend%求第三类样本协方差矩阵z3(4,4)=0;var3(4,4)=0;fori=1:4forj=1:4fork=1:Nz3(i,j)=z3(i,j)+(w3(k,i)-meanx3(1,i))*(w3(k,j
5、)-meanx3(1,j));endvar3(i,j)=z3(i,j)/(N-1);endend%求各类的协方差矩阵逆矩阵及行列式var1_inv=[];var1_det=[];var2_inv=[];var2_det=[];var3_inv=[];var3_det=[];var1_inv=inv(var1);var2_inv=inv(var2);var3_inv=inv(var3);var1_det=det(var1);var2_det=det(var2);var3_det=det(var3);（3），M=10;fori=1:Mforj=1:
6、4test(i,j)=iris(i+50,j+1);%取测试数据endendt1=0;t2=0;t3=0;fori=1:Mx=test(i,1);y=test(i,2);z=test(i,3);h=test(i,4);g1=(-0.5)*([x,y,z,h]-meanx1)*var1_inv*([x,y,z,h]'-meanx1')-0.5*log(abs(var1_det))+log(0.5);%p1g2=(-0.5)*([x,y,z,h]-meanx2)*var2_inv*([x,y,z,h]'-meanx2')-0.5*log(abs(v
7、ar2_det))+log(0.5);%p2ifg1>g2t1=t1+1;%若g1>g2,则属于第一类，否则属于第二类，并统计属于每一类的个数elset2=t2+1;endend三、实验结果（1）第一类样本均值：5.03753.45251.460.235第二类样本均值：6.012.784.31751.35第三类样本均值：6.62252.965.60751.99（2）每类样本的协方差矩阵、逆矩阵以及协方差矩阵的行列式第一类样本的协方差矩阵：0.1311217948717950.09721153846153840.01333333333333330
8、.01326923076923080.09721153846153840.1302500000000000.002153846153846140.01
