贝叶斯决策分类器

最新推荐文章于 2024-03-03 23:42:39 发布

文宇肃然

最新推荐文章于 2024-03-03 23:42:39 发布

阅读量2.3k

点赞数

CC 4.0 BY-SA版权

分类专栏： MATLAB深入理解高级教程（附源码）

本文链接：https://blog.youkuaiyun.com/wenyusuran/article/details/43405875

MATLAB深入理解高级教程（附源码）专栏收录该内容

192 篇文章 ¥29.90 ¥99.00

订阅专栏

本文介绍了贝叶斯分类的基本原理，包括如何计算后验概率并依据最大后验概率进行分类。通过举例展示了两类样本的分类过程，并提供了测试结果，表明在第一类中有8个测试点，第二类中有2个测试点，与分类器的判断一致。此外，还提及了最小风险贝叶斯决策分类器的概念。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

最小误差率贝叶斯分类器

x=[-3.9847  -3.5549 -1.2401  -0.9780 -0.7932  -2.8531 -2.7605  -3.7287 -2.5414  -2.2692 -3.4549  -3.0752 -3.9934  2.8792  -0.97800.7932  1.1882 3.0682  -1.5799 -1.4885  -0.7431 -0.4221  -1.1186  4.2532];
pw1=0.9;pw2=0.1;%两类的先验概率，可以从历史数据中获得
e1=-2;a1=0.5;%假设似然函数满足正态分布，均值为-2，方差为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
result=zeros(1,m);%存放比

了解本专栏