模式识别报告二.pdf

第二次试验报告 一 实验名称 贝叶斯分类器设计 （最小风险贝叶斯决策和最小错误率贝叶斯抉 择） 二 实验原理 最小错误率： 合理决策依据：根据后验概率决策 已知后验概率P(w |x), P(w |x)， 1 2 决策规则：  • 当P(w |x)P(w |x) x w ， 1 2 1  • 当P(w |x)P(w |x) x w 1 2 2  • 当对具体样本作观察后，判断出属于w 的可能性后，再决策 i 才合理。 • 后验概率的计算方法： 最小风险： 1. 已知类别的P(w)及x的p(x/w)，利用贝叶斯公式，可得类别 i i 的后验概率P(w /x)。 i p (x / w ) P (w ) P (w / x ) i i i c p (x / w )P (w ) i i i 1 2.利用决策表和后验概率，计算最小条件风险 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 -3.9934 2.8792 -0.9780 0.7932 1.1882 3.0682 -1.5799 -1.4885 -0.7431 -0.4221 -1.1186 4.2532 • 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）： 