优质文档分类器实验报告范文模板 16页.docx
- 文档编号:1276154
- 上传时间:2022-10-20
- 格式:DOCX
- 页数:13
- 大小:17.90KB
优质文档分类器实验报告范文模板 16页.docx
《优质文档分类器实验报告范文模板 16页.docx》由会员分享,可在线阅读,更多相关《优质文档分类器实验报告范文模板 16页.docx(13页珍藏版)》请在冰豆网上搜索。
优质文档分类器实验报告范文模板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xxxx
201X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
-3.99342.8792-0.97800.79321.18823.0682
-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。
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。
五、实验程序
最小错误率贝叶斯决策
分类器设计
x=[-3.9847-3.5549-1.2401-0.9780-0.7932-2.8531-2.7605-3.7287-3.5414-2.2692-3.4549-3.0752-3.99342.8792-0.97800.79321.18823.0682-1.5799-1.4885-0.7431-0.4221-1.11864.2532]pw1=0.9pw2=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))end
fori=1:
m
ifpw1_x(i)>pw2_x(i)%比较两类后验概率
result(i)=0%正常细胞
else
result(i)=1%异常细胞
end
end
a=[-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:
n
pw1_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))end
figure
(1)
holdon
plot(a,pw1_plot,'k-',a,pw2_plot,'r-.')
fork=1:
m
ifresult(k)==0
plot(x(k),-0.1,'b*')%正常细胞用*表示
else
plot(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')
gridon
return
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
pw2=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=-2
a1=0.5
e2=2
a2=2
%类条件概率分布px_w1:
(-2,0.25)px_w2(2,4)
r11=0
r12=2
r21=4
r22=0
%风险决策表
fori=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))
end
fori=1:
m
ifR2_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
else
result(i)=1%判为异常细胞,用1表示
end
end
a=[-5:
0.05:
5]%取样本点以画图
n=numel(a)
R1_plot=zeros(1,n)
R2_plot=zeros(1,n)
forj=1:
n
R1_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
end
figure
(1)
holdon
plot(a,R1_plot,'b-',a,R2_plot,'g*-')
篇二:
Bayes分类器设计实验报告
题目:
模式识别大作业
班级:
09030901
用身高和/或体重数据进行Bayes分类器设计
姓名:
黎照学号:
201X302320姓名:
陈升富学号:
201X302313姓名:
益琛学号:
201X302311
日期:
201X/3/19
一、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。
二、具体实现
(1)应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和0.5,0.75和0.25,0.9和0.1等)进行实验,考察对决策和错误率的影响。
(2)自行给出一个决策表,采用最小风险的Bayes决策重复上面的实验。
三、原理简述及程序框图
1、应用两个特征进行实验
样本
估计参数μ和Σ
当身高体重相关时
?
173.92?
?
20.753623.0582?
?
43.934415.5254?
?
162.84?
u1?
?
?
1?
?
?
u2?
?
?
?
1?
?
?
?
?
65.502?
?
23.058259.8982?
?
15.525431.1285?
?
52.596?
当身高体重不相关时
0?
0?
?
173.92?
?
20.7536?
43.9344?
162.84?
u1?
?
?
?
?
u2?
?
?
?
1?
?
?
?
1?
65.502059.8982031.128552.596?
?
?
?
?
?
?
?
实验步骤:
(1)、样本分男生
别估计出男生样本的
和女生
两类,用最大似然估计分
,
,,和女生样本的
(2)、然后将数据带入
(1)公式分别计算两者的类条件概率密度
和
,计算出两类的
(3)、由贝叶斯公式后验概率
和
1
2
(4)、令判别函数g?
x?
?
g?
x?
=
g1?
x?
?
g2?
x?
?
0,则为
-
,若
w1;否则w2。
实验流程图
?
自行给出一个决策表,用最小风险的Bayes决策重复实验。
2、
定义一个决策表如下图
(2)
(3)
实验步骤:
(1)、样本分男生
和女生两类,用最大似然估计分
别估计出男生样本的,,和女生样本的,
(2)、然后将数据带入
(1)公式分别计算两者的类条件概率密度
和
,计算出两类
(3)、由贝叶斯公式
的后验概率
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 优质文档分类器实验报告范文模板 16页 优质 文档 分类 实验 报告 范文 模板 16