Bayes分类器设计实验报告.docx
《Bayes分类器设计实验报告.docx》由会员分享,可在线阅读,更多相关《Bayes分类器设计实验报告.docx(9页珍藏版)》请在冰豆网上搜索。
Bayes分类器设计实验报告
模式识别实验报告
题目:
Bayes分类器设计
学院计算机科学与技术
专业xxxxxxxxxxxxxxxx
学号xxxxxxxxxxxx
姓名xxxx
指导教师xxxx
2015年xx月xx日
Bayes分类器设计
一、实验目的
对模式识别有一个初步的理解,能够根据自己的设计对贝叶斯决策理论算法有一个深刻地认识,理解二类分类器的设计原理。
二、实验原理
最小风险贝叶斯决策可按下列步骤进行:
(1)在已知及给出待识别的X的情况下,根据贝叶斯公式计算出后验概率:
(2)利用计算出的后验概率及决策表,按下面的公式计算出采取的条件风险
(3)对
(2)中得到的a个条件风险值进行比较,找出使其条件风险最小的决策,即
则就是最小风险贝叶斯决策。
三、实验内容
假定某个局部区域细胞识别中正常和非正常两类先验概率分别为
正常状态:
P(w1)=0.9;
异常状态:
P(w2)=0.1。
现有一系列待观察的细胞,其观察值为x:
-3.9847 -3.5549 -1.2401 -0.9780 -0.7932 -2.8531
-2.7605 -3.7287 -3.5414 -2.2692 -3.4549 -3.0752
-3.9934 2.8792 -0.9780 0.7932 1.1882 3.0682
-1.5799 -1.4885 -0.7431 -0.4221 -1.1186 4.2532
已知类条件概率是的曲线如下图:
类条件概率分布正态分布分别为N(-2,0.25)、N(2,4)
试对观察的结果进行分类。
四、实验要求
1)用matlab完成基于最小错误率的贝叶斯分类器的设计,要求程序相应语句有说明文字,要求有子程序的调用过程。
2)根据例子画出后验概率的分布曲线以及分类的结果示意图。
3)如果是最小风险贝叶斯决策,决策表如下:
最小风险贝叶斯决策表:
请重新设计程序,完成基于最小风险的贝叶斯分类器,画出相应的条件风险的分布曲线和分类结果,并比较两个结果。
五、实验程序
最小错误率贝叶斯决策
分类器设计
x=[-3.9847 -3.5549 -1.2401 -0.9780 -0.7932 -2.8531 -2.7605 -3.7287 -3.5414 -2.2692 -3.4549 -3.0752 -3.9934 2.8792 -0.9780 0.7932 1.1882 3.0682 -1.5799 -1.4885 -0.7431 -0.4221 -1.1186 4.2532 ] pw1=0.9 pw2=0.1 e1=-2; a1=0.5 e2=2;a2=2
m=numel(x) %得到待测细胞个数
pw1_x=zeros(1,m) %存放对w1的后验概率矩阵
pw2_x=zeros(1,m) %存放对w2的后验概率矩阵
results=zeros(1,m) %存放比较结果矩阵
for i = 1:
m
%计算在w1下的后验概率
pw1_x(i)=(pw1*normpdf(x(i),e1,a1))/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i),e2,a2))
%计算在w2下的后验概率
pw2_x(i)=(pw2*normpdf(x(i),e2,a2))/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i),e2,a2))
end
for i = 1:
m
if pw1_x(i)>pw2_x(i) %比较两类后验概率
result(i)=0 %正常细胞
else
result(i)=1 %异常细胞
end
end
a=[-5:
0.05:
5] %取样本点以画图 n=numel(a)
pw1_plot=zeros(1,n)
pw2_plot=zeros(1,n)
for j=1:
n
pw1_plot(j)=(pw1*normpdf(a(j),e1,a1))/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a(j),e2,a2))
%计算每个样本点对w1的后验概率以画图
pw2_plot(j)=(pw2*normpdf(a(j),e2,a2))/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a(j),e2,a2))
end
figure
(1)
hold on
plot(a,pw1_plot,'k-',a,pw2_plot,'r-.')
for k=1:
m
if result(k)==0
plot(x(k),-0.1,'b*') %正常细胞用*表示
else
plot(x(k),-0.1,'rp') %异常细胞用五角星表示
end;
end;
legend('正常细胞后验概率曲线','异常细胞后验概率曲线','正常细胞','异常细胞')
xlabel('样本细胞的观察值') ylabel('后验概率')
title('后验概率分布曲线')
grid on
return
实验内容仿真
x = [-3.9847 , -3.5549 , -1.2401 , -0.9780 , -0.7932 , -2.8531 ,-2.7605 , -3.7287 , -3.5414 , -2.2692 , -3.4549 , -3.0752 , -3.9934 , 2.8792 , -0.9780 , 0.7932 , 1.1882 , 3.0682, -1.5799 , -1.4885 , -0.7431 , -0.4221 , -1.1186 , 4.2532 ]
disp(x)
pw1=0.9
pw2=0.1
[result]=bayes(x,pw1,pw2)
最小风险贝叶斯决策
分类器设计
function [R1_x,R2_x,result]=danger(x,pw1,pw2)
m=numel(x) %得到待测细胞个数
R1_x=zeros(1,m) %存放把样本X判为正常细胞所造成的整体损失
R2_x=zeros(1,m) %存放把样本X判为异常细胞所造成的整体损失
result=zeros(1,m) %存放比较结果
e1=-2
a1=0.5
e2=2
a2=2
%类条件概率分布px_w1:
(-2,0.25) px_w2(2,4)
r11=0
r12=2
r21=4
r22=0
%风险决策表
for i=1:
m %计算两类风险值
R1_x(i)=r11*pw1*normpdf(x(i),e1,a1)/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i),e2,a2))+r21*pw2*normpdf(x(i),e2,a2)/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i),e2,a2))
R2_x(i)=r12*pw1*normpdf(x(i),e1,a1)/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i),e2,a2))+r22*pw2*normpdf(x(i),e2,a2)/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i),e2,a2))
end
for i=1:
m
if R2_x(i)>R1_x(i)%第二类比第一类风险大
result(i)=0 %判为正常细胞(损失较小),用0表示
else
result(i)=1 %判为异常细胞,用1表示
end
end
a=[-5:
0.05:
5] %取样本点以画图
n=numel(a)
R1_plot=zeros(1,n)
R2_plot=zeros(1,n)
for j=1:
n
R1_plot(j)=r11*pw1*normpdf(a(j),e1,a1)/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a(j),e2,a2))+r21*pw2*normpdf(a(j),e2,a2)/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a(j),e2,a2))
R2_plot(j)=r12*pw1*normpdf(a(j),e1,a1)/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a(j),e2,a2))+r22*pw2*normpdf(a(j),e2,a2)/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a(j),e2,a2))
%计算各样本点的风险以画图
end
figure
(1)
hold on
plot(a,R1_plot,'b-',a,R2_plot,'g*-')
for k=1:
m
if result(k)==0
plot(x(k),-0.1,'b^')%正常细胞用上三角表示
else
plot(x(k),-0.1,'go')%异常细胞用圆表示
end;
end;
legend('正常细胞','异常细胞','Location','Best')
xlabel('细胞分类结果')
ylabel('条件风险')
title('风险判决曲线')
grid on
return
实验内容仿真
x = [-3.9847 , -3.5549 , -1.2401 , -0.9780 , -0.7932 , -2.8531 ,-2.7605 , -3.7287 , -3.5414 , -2.2692 , -3.4549 , -3.0752 , -3.9934 , 2.8792 , -0.9780 , 0.7932 , 1.1882 , 3.0682, -1.5799 , -1.4885 , -0.7431 , -0.4221 , -1.1186 , 4.2532 ]
disp(x)
pw1=0.9
pw2=0.1
[R1_x,R2_x,result]=danger(x,pw1,pw2)
六、实验结果和数据
最小错误率贝叶斯决策
后验概率曲线与判决结果在一张图上:
后验概率曲线如图所示,带*的绿色曲线为判决成异常细胞的后验概率曲线;另一条平滑的蓝色曲线为判为正常细胞的后验概率曲线。
根据最小错误概率准则,判决结果见曲线下方,其中“上三角”代表判决为正常细胞,“圆圈”代表异常细胞。
各细胞分类结果:
00 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 0 0 0 1 0 1
0为判成正常细胞,1为判成异常细胞
最小风险贝叶斯决策
风险判决曲线如图