模式识别报告二Word下载.docx
《模式识别报告二Word下载.docx》由会员分享,可在线阅读,更多相关《模式识别报告二Word下载.docx(12页珍藏版)》请在冰豆网上搜索。
3.决策:
在各种决策中选择风险最小的决策
三实验内容
⏹假定某个局部区域细胞识别中正常(w1)和非正常(w2)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
-3.99342.8792-0.97800.79321.18823.0682
-1.5799-1.4885-0.7431-0.4221-1.11864.2532
•类条件概率分布正态分布分别为(-2,0.5)(2,2)试对观察的结果进行分类。
四实验步骤及贴图
步骤:
⏹1.用matlab完成分类器的设计,说明文字程序相应语句,子程序有调用过程。
⏹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.最小风险贝叶斯决策,决策表如下:
⏹重新设计程序,完成基于最小风险的贝叶斯分类器,画出相应的后验概率的分布曲线和分类结果,并比较两个结果。
最小风险
⏹最小风险贝叶斯决策:
⏹带红色虚线曲线是异常细胞的条件风险曲线;
青色圆圈曲线是正常细胞的条件风险曲线
⏹根据贝叶斯最小风险判决准则,判决结果显示在曲线下方:
⏹五角星代表判决为正常细胞,*号代表异常细胞
⏹各细胞分类结果(0为判成正常细胞,1为判成异常细胞):
⏹1000000000001101110001011
⏹
⏹最小风险
⏹后验概率曲线与判决显示在上图中
⏹后验概率曲线:
带红色虚线曲线是判决为异常细胞的后验概率曲线
⏹青色实线曲线是为判为正常细胞的后验概率曲线
⏹根据最小错误概率准则,判决结果显示在曲线下方:
⏹0000000000000101110001011
实验代码
clearall;
clc;
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
-1.5799-1.48850.7431-0.4221-1.11864.2532]
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
fori=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
ifpw1_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
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);
forj=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));
figure
(1);
holdon
h1=plot(a,pw1_plot,'
co'
);
h2=plot(a,pw2_plot,'
r-.'
fork=1:
ifresult(k)==0
h3=plot(x(k),-0.1,'
cp'
%正常细胞用五角星表示
h4=plot(x(k),-0.1,'
r*'
%异常细胞用*表示
end;
end;
legend([h1,h2,h3,h4],'
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'
gridon
figure
(2);
a1=-2;
sigma1=0.5;
x1=-10:
0.0001:
10;
y1=(1/((sqrt(2*pi))*sigma1))*exp(-((x1-a1).^2)/(2*sigma1.^2));
plot(x1,y1,'
r'
sigma2=2;
x2=-10:
y2=(1/((sqrt(2*pi))*sigma2))*exp(-((x2-a2).^2)/(2*sigma2.^2));
plot(x2,y2,'
b'
legend('
正常细胞类条件概率分布曲线'
异常细胞类条件概率分布曲线'
条件概率分布曲线'
在原源代码的基础上,删改一些代码,标有‘%%’的即为新增代码,
y(1,1)=0;
%%
y(1,2)=2;
y(2,1)=4;
y(2,2)=0;
r2_x=zeros(1,m);
%存放将样本x判为正常细胞所造成的损失
%存放将样本x判为异常细胞所造成的损失
fori=1:
r1_x(i)=y(1,1)*pw1_x(i)+y(2,1)*pw2_x(i);
%%计算在w1下的条件风险值
r2_x(i)=y(1,2)*pw1_x(i)+y(2,2)*pw2_x(i);
%%计算在w2下的条件风险值
%fori=1:
%ifpw1_x(i)>
%result(i)=0;
%else
%result(i)=1;
%end
%end
ifr1_x(i)<
r2_x(i)result(i)=0;
%%当第一类风险小于第二类风险的时候,判为正常细胞
%%当第一类风险大于或者等于第二类风险的时候,判为异常细胞
%%pw1_plot=zeros(1,n);
%%pw2_plot=zeros(1,n);
%%forj=1:
%%pw1_plot(j)=(pw1*normpdf(a(j),e1,a1))/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a(j),e2,a2));
%%pw2_plot(j)=(pw2*normpdf(a(j),e2,a2))/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a(j),e2,a2));
r1_plot=zeros(1,n);
r2_plot=zeros(1,n);
r1_plot(j)=y(1,1)*pw1*normpdf(a(j),e1,a1)/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a(j),e2,a2))+y(2,1)*pw2*normpdf(a(j),e2,a2)/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a(j),e2,a2));
%%计算每个样本点对w1的条件画图
r2_plot(j)=y(1,2)*pw1*normpdf(a(j),e1,a1)/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a(j),e2,a2))+y(2,2)*pw2*normpdf(a(j),e2,a2)/(pw1*normpdf(a(j),e1,a1)+pw2*normpdf(a(j),e2,a2));
%%计算每个样本点对w2的条件风险画图
%h1=plot(a,pw1_plot,'
%h2=plot(a,pw2_plot,'
h1=plot(a,r1_plot,'
h2=plot(a,r2_plot,'
五实验总结
实验建立在贝叶斯最小风险决策计算的原理之上,通过matlab工具,将概率计算的结果通过图形比较直观的表现出来。
这也充分的说明,人们所做的决策并不是简单的数学计算,而是人类的意愿与数学的相互结合,才能够得到最好的决策。
THANKS!
!
致力为企业和个人提供合同协议,策划案计划书,学习课件等等
打造全网一站式需求
欢迎您的下载,资料仅供参考