本文档介绍了使用Parzen窗和K-近邻方法进行分类的MATLAB实验，涵盖了一维、二维和三维空间中的概率密度估计。在4.3节中，针对三维数据使用球形高斯函数进行Parzen窗分类，调整窗口大小h以观察影响。4.4节探讨了不同维度下k-近邻方法的效果，通过绘制概率密度估计图展示了k=1,3,5时的变化。实验涉及一维、二维和三维样本点，并给出了部分实验结果。"
7907539,1322104,ARM与51单片机串口通信实验及问题探讨,"['嵌入式开发', '通信协议', 'C语言', '单片机编程', 'Linux编程']
这次机器学习的实验是第四章非参数技术课后上机题，4.3和4.4 下面从实验报告中截取代码及部分运行结果
工具：matlab
4.3节
2. 考虑对于表格中的数据进行Parzen窗估计和设计分类器。窗函数为一个球形的高斯函数，如下所示：
(a) 编写程序，使用Parzen窗估计方法对一个任意的测试样本点x进行分类。对分类器的训练则使用表格中的三维数据。同时令h=1，分类样本点为（0.5,1.0,0.0）t,(0.31,1.51,-0.5)t,(-0.3,0.44,-0.1)t.
(b) 现在我们令h=0.1，重复（a）。
4.4节
3. 考虑不同维数的空间中，使用k-近邻概率密度估计方法的效果。
（a）编写程序。对于一维的情况，当有n个数据样本点时，进行k-近邻概率密度估计。对表格中的类别ω3中的特征，x1，用程序画出当k=1,3,5时的概率密度估计结果。
（b）编写程序，对于二维的情况，当有</
最低0.47元/天 解锁文章
扫一扫
8555
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
