初始学习样本总数: n,共w=3种,样本特征数: n=4。 培训示例:
(w1 )样本矩阵a、N1*4、N1是属于w1的样本数;
) w2 )样本矩阵b、N2*4、N2是属于w2的样本数;
(w3 )样本矩阵c、N3*4、N3是属于w3的样本数
计算学习样本数据(平均值) x1=mean(a )、X2=mean(B ) b )、X3=mean(C ) c ) )
协方差矩阵: s1=conv(a ),同样是S2,S3
行列式: s11=det(s1 ),同样为S22、S33
先验概率: Pw1=N1/N,同样为Pw2、Pw3
测试样本:样本矩阵Sample,K*n维矩阵,即k个测试样本
------------- -请参阅
计算后验概率:
第k个样本属于第1类的后验概率:
P1=-1/2*(sample(k, )- X1 ) ) inv ) S1 ) * ) sample, )- X1 ) ) log ) pw1 )-1/2*log )
这样可以得到P1、P2、P3。
------------- -请参阅
最大后验概率准则:如果P2=max[P1,P2,P3],则k属于第二类。
------------- -请参阅
最小贝叶斯:如果决定wj为ai的话,导入损失函数矩阵loss(AI,wj )。
loss=ones (3,3 )-diag (诊断) ) one (4) );
0,1,1,1
一,零,一,一
一,一,零,一
一,一,一,零
计算采用决策ai带来的风险:
risk1=loss (1,1 ) P1loss ) 1,2 ) P2loss ) 1,3 ) P3 )
risk2=loss (2,1 ) P1loss ) 2,2 ) P2loss ) 2,3 ) P3 )
risk3=loss (3,1 ) P1loss ) 3,2 ) P2loss ) 3,3 ) P3 )
在risk1=min[risk1,risk2,risk3]的情况下,k处于类1。
------------- -请参阅
贝叶斯决策时统计模式识别的重要基础。
使用条件:类别数量已知(易) )。
每类条件概率密度先验概率已知(难)
使用方法:先根据训练样本设计分类器,再对测试样本进行分类。