没有合适的资源?快使用搜索试试~ 我知道了~
资源推荐
资源详情
资源评论
用身高和体重数据进行性别分类的实验报告
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、 具体做法
(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 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。
(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
A. 正态分布的监督参数估计
监督参数估计:样品所属的类别及类条件总体概率密度函数的形式为
已知,而表征概率密度函数的某些参数是未知的。
本实验符合上述条件且在正态分布假设下估计分布密度参数故使
用正态分布的监督参数估计
对于多元正态分别,其最大似然估计的结果为:
B. 最小错误率 Bayes 分类器
在多元正态模型下的最小错误率角度来分析 Bayes 分类器
(1) 假设身高与体重不相关
令协方差矩阵次对角元素为零
判别函数可简化为
其中 ,
具体算法步骤如下:
第一步将训练样本集数据转为矩阵 FA,MA。
第二步分别对 FA,MA 求取协方差 ,令协方差矩阵次对角
元素为零,平均值 并输入先验概率
第三步将第二步所得数值代入判别函数表达式得 。
第四步将待测样本集数据转为矩阵 T,将 T 中数值依次代
,若 ,则判断其为第一类,反之,第二类。
(2) 假设身高与体重相关
判别函数可简化为
其中 ,
具体算法步骤如下:
第一步将训练样本集数据转为矩阵 FA,MA。
第二步分别对 FA,MA 求取协方差 平均值 并输入先验概
率
第三步将第二步所得数值代入判别函数表达式得 。
第四步将待测样本集数据转为矩阵 T,将 T 中数值依次代 ,若
,则判断其为第一类,反之,第二类。
C. 最小风险 Bayes 分类器
(1)在已知先验概率 和类条件概率密度 ,j=1, …c
及给出带识别的 x 的情况下,根据 Bayes 公式计算后验概率:
剩余12页未读,继续阅读
资源评论
- witzgf22017-10-18没有相关数据,如果能够附上数据就好了。
- sm199312242015-11-06代码不能用
- oDaoQin2016-04-20有参考价值,学习了,谢谢分享!
- dalianpig312017-07-16代码有问题啊
berniceqiu
- 粉丝: 1
- 资源: 2
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功