模式识别——用身高和或体重数据进行性别分类.doc

《模式识别——用身高和或体重数据进行性别分类.doc》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、用身高和/或体重数据进行性别分类1、【实验目的】（1）掌握最小错误率Bayes分类器的决策规则（2）掌握Parzen窗法（3）掌握Fisher线性判别方法（4）熟练运用matlab的相关知识。2、【实验原理】（1）、最小错误率Bayes分类器的决策规则如果在特征空间中观察到某一个（随机）向量x=(x1,x2,…,xd)T，已知类别状态的先验概率为：和类别的条件概率密度为，根据Bayes公式得到状态的后验概率有：基本决策规则：如果，则，将x归属后验概率最大的类别。（2）、掌握Parzen窗法对于被估计点X：其估计概率密度

2、的基本公式，设区域RN是以hN为棱长的d维超立方体，则立方体的体积为；选择一个窗函数，落入该立方体的样本数为，点x的概率密度:其中核函数：，满足的条件：；。（3）、Fisher线性判别方法Fisher线性判别分析的基本思想：通过寻找一个投影方向（线性变换，线性组合），将高维问题降低到一维问题来解决，并且要求变换后的一维数据具有如下性质：同类样本尽可能聚集在一起，不同类的样本尽可能地远。Fisher线性判别分析，就是通过给定的训练数据，确定投影方向W和阈值y0，即确定线性判别函数，然后根据这个线性判别函数，对测试数据进行

3、测试，得到测试数据的类别。线性判别函数的一般形式可表示成　　，其中根据Fisher选择投影方向W的原则，即使原样本向量在该方向上的投影能兼顾类间分布尽可能分开，类内样本投影尽可能密集的要求，用以评价投影方向W的函数为：　　　　上面的公式是使用Fisher准则求最佳法线向量的解，该式比较重要。另外，该式这种形式的运算，我们称为线性变换，其中式一个向量，是的逆矩阵，如是d维，和都是d×d维，得到的也是一个d维的向量。　　向量就是使Fisher准则函数达极大值的解，也就是按Fisher准则将d维X空间投影到一维Y空间的最佳投

4、影方向，该向量的各分量值是对原d维特征向量求加权和的权值。以上讨论了线性判别函数加权向量W的确定方法，并讨论了使Fisher准则函数极大的d维向量的计算方法，但是判别函数中的另一项尚未确定，一般可采用以下几种方法确定如　　　或者　　　　　或当与已知时可用　当W0确定之后，则可按以下规则分类：　　　3、【实验内容及要求】（1）、实验对象Datasetf1.TXT女生的身高、体重数据Datasetm1.TXT男生的身高、体重数据-----训练样本集Dataset1.txt328个同学的身高、体重、性别数据Dataset2.

5、txt124个同学的身高、体重、性别数据-----测试样本集（2）基本要求：(1)用Datasetf1.TXT和Datasetm1.TXT的数据作为训练样本集，建立Bayes分类器，用测试样本数据对该分类器进行测试。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。(试验直接设计线性分类器的方法，与基于概率密度估计的贝叶斯分离器进行比较)(2)试验非参数估计，体会与参数估计在适用情况、估计结果方面的异同。4、【实验结果与分析】（1）、Bayes分类器的实验结果与分析A、对

6、于Dataset1.txt328个同学的身高、体重、性别数据的测试样本集：A1、当先验概率为：男0.5，女0.5时：身高分类错误个数：15身高分类错误率为：12.10%体重分类错误个数：15体重分类错误率为：12.10%【实验结果：】A2、当先验概率为：男0.75，女0.25时：身高分类错误个数：19身高分类错误率为：15.32%体重分类错误个数：14体重分类错误率为：11.29%B、对于Dataset2.txt124个同学的身高、体重、性别数据的测试样本集：B1、当先验概率为：男0.5，女0.5时：身高分类错误个数：

7、16身高分类错误率为：12.90%体重分类错误个数：21体重分类错误率为：16.94%【实验结果：】B2、当先验概率为：男0.75，女0.25时：身高分类错误个数：31身高分类错误率为：25.00%体重分类错误个数：35体重分类错误率为：28.23%【结果分析：】Dataset1.txt样本数据集中，男女先验概率为（0.71vs0.29）；Dataset2.txt样本数据集中，男女先验概率为（0.66vs0.34）。对比实验结果，可以发现身高的分类错误率都小于体重的分类错误率，样本集越大，各个特征对应的分类错误率就越小

8、。假设先验概率为（0.5vs0.5）的分类错误率小于假设先验概率为（0.75vs0.25）的分类集，就算假设的先验概率与实际的很相近，可是结果不准确。程序框图Bayes分类器源程序实验代码：clearall;loaddatasetf1.txt;loaddatasetm1.txt;%样本的分析figure;fori=1:250if(