1 5.4 3.9 1.7 0.4
1 4.6 3.4 1.4 0.3
1 5.0 3.4 1.5 0.2
1 4.4 2.9 1.4 0.2
1 4.9 3.1 1.5 0.1
1 5.4 3.7 1.5 0.2
1 4.8 3.4 1.6 0.2
1 4.8 3.0 1.4 0.1
1 4.3 3.0 1.1 0.1
1 5.8 4.0 1.2 0.2
1 5.7 4.4 1.5 0.4
1 5.4 3.9 1.3 0.4
1 5.1 3.5 1.4 0.3
1 5.7 3.8 1.7 0.3
1 5.1 3.8 1.5 0.3
1 5.4 3.4 1.7 0.2
1 5.1 3.7 1.5 0.4
1 4.6 3.6 1.0 0.2
1 5.1 3.3 1.7 0.5
1 4.8 3.4 1.9 0.2
1 5.0 3.0 1.6 0.2
1 5.0 3.4 1.6 0.4
1 5.2 3.5 1.5 0.2
1 5.2 3.4 1.4 0.2
1 4.7 3.2 1.6 0.2
1 4.8 3.1 1.6 0.2
1 5.4 3.4 1.5 0.4
1 5.2 4.1 1.5 0.1
1 5.5 4.2 1.4 0.2
1 4.9 3.1 1.5 0.2
1 5.0 3.2 1.2 0.2
1 5.5 3.5 1.3 0.2
1 4.9 3.6 1.4 0.1
1 4.4 3.0 1.3 0.2
1 5.1 3.4 1.5 0.2
1 5.0 3.5 1.3 0.3
1 4.5 2.3 1.3 0.3
1 4.4 3.2 1.3 0.2
1 5.0 3.5 1.6 0.6
1 5.1 3.8 1.9 0.4
1 4.8 3.0 1.4 0.3
1 5.1 3.8 1.6 0.2
1 4.6 3.2 1.4 0.2
1 5.3 3.7 1.5 0.2
1 5.0 3.3 1.4 0.2
2 5.5 2.4 3.8 1.1
2 5.5 2.4 3.7 1.0
2 5.8 2.7 3.9 1.2
2 6.0 2.7 5.1 1.6
2 5.4 3.0 4.5 1.5
2 6.0 3.4 4.5 1.6
2 6.7 3.1 4.7 1.5
2 6.3 2.3 4.4 1.3
2 5.6 3 4.1 1.3
2 5.5 2.5 4.0 1.3
2 5.5 2.6 4.4 1.2
2 6.1 3.0 4.6 1.4
2 5.8 2.6 4.0 1.2
2 5.0 2.3 3.3 1.0
2 5.6 2.7 4.2 1.3
2 5.7 3.0 4.2 1.2
2 5.7 2.9 4.2 1.3
2 6.2 2.9 4.3 1.3
2 5.1 2.5 3.0 1.1
2 5.7 2.8 4.1 1.3
2 7.0 3.2 4.7 1.4
2 6.4 3.2 4.5 1.5
2 6.9 3.1 4.9 1.5
2 5.5 2.3 4.0 1.3
2 6.5 2.8 4.6 1.5
2 5.7 2.8 4.5 1.3
2 6.3 3.3 4.7 1.6
2 4.9 2.4 3.3 1.0
2 6.6 2.9 4.6 1.3
2 5.2 2.7 3.9 1.4
2 5.0 2.0 3.5 1.0
2 5.9 3.0 4.2 1.5
2 6.0 2.2 4.0 1.0
2 6.1 2.9 4.7 1.4
2 5.6 2.9 3.6 1.3
2 6.7 3.1 4.4 1.4
2 5.6 3.0 4.5 1.5
2 5.8 2.7 4.1 1.0
2 6.2 2.2 4.5 1.5
2 5.6 2.5 3.9 1.1
2 5.9 3.2 4.8 1.8
2 6.1 2.8 4.0 1.3
2 6.3 2.5 4.9 1.5
2 6.1 2.8 4.7 1.2
2 6.4 2.9 4.3 1.3
3 7.4 2.8 6.1 1.9
3 7.9 3.8 6.4 2.0
3 6.4 2.8 5.6 2.2
3 6.3 2.8 5.1 1.5
3 6.1 2.6 5.6 1.4
3 7.7 3.0 6.1 2.3
3 6.3 3.4 5.6 2.4
3 6.4 3.1 5.5 1.8
3 6.0 3.0 4.8 1.8
3 6.9 3.1 5.4 2.1
3 6.7 3.1 5.6 2.4
3 6.9 3.1 5.1 2.3
3 5.8 2.7 5.1 1.9
3 6.8 3.2 5.9 2.3
3 6.7 3.3 5.7 2.5
3 6.7 3 5.2 2.3
3 6.3 2.5 5 1.9
3 6.5 3 5.2 2
3 6.2 3.4 5.4 2.3
3 5.9 3 5.1 1.8
3 6.3 3.3 6.0 2.5
3 5.8 2.7 5.1 1.9
3 7.1 3.0 5.9 2.1
3 6.3 2.9 5.6 1.8
3 6.5 3.0 5.8 2.2
3 7.6 3.0 6.6 2.1
3 4.9 2.5 4.5 1.7
3 7.3 2.9 6.3 1.8
3 6.7 2.5 5.8 1.8
3 7.2 3.6 6.1 2.5
3 6.5 3.2 5.1 2.0
3 6.4 2.7 5.3 1.9
3 6.8 3.0 5.5 2.1
3 5.7 2.5 5.0 2.0
3 5.8 2.8 5.1 2.4
3 6.4 3.2 5.3 2.3
3 6.5 3.0 5.5 1.8
3 7.7 3.8 6.7 2.2
3 7.7 2.6 6.9 2.3
3 6.0 2.2 5.0 1.5
3 6.9 3.2 5.7 2.3
3 5.6 2.8 4.9 2.0
3 7.7 2.8 6.7 2.0
3 6.3 2.7 4.9 1.8
3 6.7 3.3 5.7 2.1
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
1.利用所提供的训练数据,完成基本最小错误率的贝叶斯分类器的设计,并用测试数据进行测试,计算出错误率。 2.再使用最小风险判别准则进行分类,实验中假设风险参数矩阵为L,该数据可根据实际损失的情况需要进行修改。 这里给定损失参数矩阵为:[0,2,1; 3,0,4; 1,2,0] 损失参数矩阵可以调整. 3.改变损失矩阵对分类结果是否会有影响?给出不同的两组损失矩阵得到的分类结果。 4.使用python语言来完成实验
资源详情
资源评论
资源推荐
收起资源包目录
贝叶斯分类器.zip (3个子文件)
iris测试数据(5个).txt 283B
2.py 4KB
iris训练数据(45个).txt 2KB
共 3 条
- 1
ronronner_www
- 粉丝: 1
- 资源: 3
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
最新资源
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
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
评论0