朴素贝叶斯分类器实现－matlab

最新推荐文章于 2024-09-09 17:23:19 发布

原创

最新推荐文章于 2024-09-09 17:23:19 发布 · 897 阅读

8 ·

CC 4.0 BY-SA版权

本文详细介绍了如何在Matlab环境中实现朴素贝叶斯分类器。从理论基础到具体代码实现，逐步讲解了朴素贝叶斯算法的原理，包括特征条件独立假设、概率估计和分类决策过程。通过实例数据集，展示了分类效果，并讨论了参数调整对分类性能的影响。

%书中例题实现朴素贝叶斯
%特征1的取值集合
A1=[1;2;3];
%特征2的取值集合
A2=[4;5;6];%S M L
AValues={A1;A2};
%Y的取值集合
YValue=[-1;1];
%数据集和
T=[ 1,4,-1;
1,5,-1;
1,5,1;
1,4,1;
1,4,-1;
2,4,-1;
2,5,-1;
2,5,1;
2,6,1;
2,6,1;
3,6,1;
3,5,1;
3,5,1;
3,6,1;
3,6,-1];
%训练带Laplace平滑的朴素贝叶斯模型
ltheta = LaplaceNBtrain(T(:, 1:size(T, 2) - 1), T(:, size(T, 2)), AValues, YValue, 1);
%训练朴素贝叶斯模型
theta = NBtrain(T(:, 1:size(T, 2) - 1), T(:, size(T, 2)), AValues, YValue);
%测试两个数据与书中答案相符
ans = NBtest(theta, [2,4;], AValues, YValue)
lans = NBtest(ltheta, [2,4;], AValues, YValue)

function y = NBtest(theta, X, AValues, YValue)
Xindice=ones(size(X, 1), size(X, 2));
%找到特征在取值集合中的下标,将X矩阵转化为下标矩阵
for j=1:1:size(X, 2)
      AXi = AValues{j, 1};
      for i=1:1:size(X, 1)
         for t=1:1:size(AXi, 1)
            if(X(i, j) == AXi(t, 1))
                  Xindice(i, j) = t;
   &

最低0.47元/天解锁文章