资源简介
基于最小风险的贝叶斯决策,模式识别课程,代码采用Matlab编写,其中用到的时求先验概率,后验概率,决策上有点小问题,缺个决策表
代码片段和文件信息
[DATACLASS]=xlsread(‘train_1.xls‘‘A1:I120‘); %读取学习数据
Test_DATA=xlsread(‘test_2.xls‘‘A1:H40‘); %读取测试数据
CLASS=cell2mat(CLASS(:9));
%求先验概率
P_prior=[size(CLASS(find(CLASS==‘b‘))1)
size(CLASS(find(CLASS==‘c‘))1)
size(CLASS(find(CLASS==‘d‘))1)
size(CLASS(find(CLASS==‘e‘))1)]./size(CLASS1)
%数据分类
B_class=DATA(find(CLASS==‘b‘):);
C_class=DATA(find(CLASS==‘c‘):);
D_class=DATA(find(CLASS==‘d‘):);
E_class=DATA(find(CLASS==‘e‘):);
%求概率密度
covariance=cov([Test_DATA;B_class]);
for i=1:40
P_density_B(i1)=exp((-0.5)*((Test_DATA(i:)-mean(B_class))*inv(covariance)...
*(Test_DATA(i:)-mean(B_class))‘))/(((2*pi)^(8/2))*sqrt(det(covariance)));
end
covariance=cov([Test_DATA;C_class]);
for i=1:40
P_density_C(i1)=exp((-0.5)*((Test_DATA(i:)-mean(C_class))*inv(covariance)...
*(Test_DATA(i:)-mean(C_class))‘))/(((2*pi)^(8/2))*sqrt(det(covariance)));
end
covariance=cov([Test_DATA;D_class]);
for i=1:40
P_density_D(i1)=exp((-0.5)*((Test_DATA(i:)-mean(D_class))*inv(covariance)...
*(Test_DATA(i:)-mean(D_class))‘))/(((2*pi)^(8/2))*sqrt(det(c
- 上一篇:Matlab数字图像处理 大作业
- 下一篇:matlab混沌工具箱211907
评论
共有 条评论