贝叶斯分类器matlab实现

matlab代码，有详细解释，产生正态分布随机数据，划分训练集测试集，用Bayes分类器分类

%-------------------------------------------------
%由训练数据统计先验概率得到分界线（设计分类器）；
%用测试数据测试分类器性能，计算错判率；
%画出训练集二维分布，测试集数据三维分布图及分界线
%-------------------------------------------------
function bayes_classifier（datatarget）
train=zeros（10002）;
test=zeros（20002）;
prior_class1=0;
prior_class2=0;
class1_num=0;
class2_num=0;
%打乱下标便于随机划分训练集和测试集
index=randperm（3000）;

figure;
hold on;
%由训练数据得到先验概率
for i=1:1000
    %按打乱顺序的前1000个下标选取训练数据
    train（i:）=data（index（i）:）;
    %统计训练集中两类数据点，得到先验概率
    if index（i）>1500 
        scatter（train（i1）train（i2）‘m‘‘.‘）;%粉红表示第二类，绿色表示第一类
        class2_num=class2_num+1;
        data_class2（class2_num:）=data（index（i）:）;
    else        
        class1_num=class1_num+1;
        scatter（train（i1）train（i2）‘g‘‘.‘）;        
        data_class1（class1_num:）=data（index（i）:）;
    end
end

mu1=mean（data_class1）;
mu2=mean（data_class2）;
sigma1=cov（data_class1）;
sigma2=cov（data_class2）;
display（mu1）;
display（sigma1）;
display（mu2）;
display（sigma2）;
%由训练集得到的先验概率
prior1=class1_num/1000;
prior2=class2_num/1000;
display（prior1）;
display（prior2）;

%根据贝叶斯决策方程求数据分界线
syms x1 x2
Xr=[x1x2];
Xt=[x1;x2];
%对于一般性多元正态数据，决策面方程为X‘（Wi-Wj）X+（wi-wj）‘X+wi0-wj0=0X为列向量;
%式中的WiWj即下式w1（2）_1；
%wiwj即w1（2）_2;
%wi0wj0即w1（2）_3;
w1_1=-0.5*inv（sigma1）;
w2_1=-0.5*inv（sigma2）;
w1_2=inv（sigma1）*mu1‘;
w2_2=inv（sigma2）*mu2‘;
w1_3=-0.5*mu1*inv（sigma1）*mu1‘+log（prior1）;
w2_3=-0.5*mu2*inv（sigma2）*mu2‘+log（prior2）;
%分界线方程
g12=Xr*（w1_1-w2_1）*Xt+（w1_2-w2_2）‘*Xt+w1_3-w2_3;
g12=simple（g12）;

ezplot（g12）;
hold off;
%初始化错分样本数
error_count=0;
test=data（index（1001:3000）:）;
for i=1:2000
    if index（i+1000）<=1500
    g（i）=-0.5*（test（i:）-mu1）*inv（sigma1）*（test（i:）-mu1）‘-0.5*log（det（sigma1））+log（prior1）;
    g_temp=-0.5*（test（i:）-mu2）*inv（sigma2）*（test（i:）-mu2）‘-0.5*log（det（sigma2））+log（prior2）;
        if g（i）           error_count=error_count+1; 
        end
    else 
    g（i）=-0.5*（test（i:）-mu2）*inv（sigma2）*（test（i:）-mu2）‘-0.5*log（det（sigma2））+log（prior2）;   
    g_temp=-0.5*（test（i:）-mu1）*inv（sigma1）*（test（i:）-mu1）‘-0.5*log（det（sigma1））+log（prior1）;
        if g（i）            error_count=error_count+1; 
        end
    end
end
error_rate=error_count/2000;
display（error_rate）;

data3d（:1:2）=test;
data3d（:3）=g;
[XYZ]=griddata（data3d（:1）data3d（:2）data3d（:3）linspace（min（data3d（:1））max（data3d（:1）））‘linspace（min（data3d（:2））max（data3d（:2））））;

figure;
hold on;
grid on;
mesh（XYZ）;
ezplot（g12）;
hold off;
end

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2011-12-21 17:35  Bayes\
     文件        2813  2011-12-13 15:43  Bayes\bayes_classifier.m
     文件         831  2011-12-13 14:02  Bayes\bayes_main.m
     文件         624  2011-12-13 13:16  Bayes\data_generator.m