MATLAB实现朴素贝叶斯分类对手写数字数据集进行分类

%Bayesian.m clear clc load ('./test_images.mat'); load ('./test_labels.mat'); load ('./train_images.mat'); load ('./train_labels.mat'); train_num = 2000; test_num = 200; %训练数据 data_train = mat2vector(train_images(:,:,1:train_num),train_num); %图像转向量 data_test = mat2vector(test_images(:,:,1:test_num),test_num); % 这里对数据进行一次处理。贝叶斯分类器要求输入数据中同类别中一个特征的方差不能为0 % 由公式我们可以知道，计算后验概率时，如果某一列特征全部相同，那么后验概率计算时分母会变为0， % 为了避免该种情况，需要对数据进行提前处理 [data_train,position] = data_proc(data_train,train_labels1(1:train_num)'); % 对训练数据进行处理后，同时也要对测试数据进行同样的处理 for rows = 1:10 data_test(:,position{1,rows})=[]; end %模型部分 % 超参数全部取了默认值，比较重要的，如类别的先验概率，如果不进行修改，则计算输入数据中类别的频率 % 查看nb_model即可确认所使用的超参数 nb_model = fitcnb(data_train,train_labels1(1:train_num)); %训练模型 %测试结果 result = predict(nb_model,data_test); result = result.'; fprintf('预测结果：'); result(1:20) %取20个打印出来对比 fprintf('真实分布：'); test_labels1(1:20) % 整体正确率 acc = 0.; for i = 1:test_num if result(i)==test_labels1(i) acc = acc+1; end end fprintf('精确度为：%5.2f%%\n',(acc/test_num)*100);