模式识别实验报告

《模式识别实验报告》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、院系：计算机科学学院专业：智能科学与技术年级：2012级课程名称：模式识别组号：13组组员：徐灿马卿指导教师：孙阳光老师2014年12月30日年级2012级学号20122138552012213875专业智能科学与技术姓名徐灿马卿实验时间2014.10.8实验地点9#206实验名称用身高和/或体重数据进行性别分类的实验实验类型设计型综合型创新型√实验目的或要求基本要求：用PR_Exp1_Data_1.TXT和PR_Exp1_Data_2.TXT的数据作为训练样本集，建立Bayes分类器，用PR_Exp1_Data

2、_3.TXT测试样本数据对该分类器进行测试。调整特征、分类器等方面的一些因素，考察它们对分类器性能的影响，从而加深对所学内容的理解和感性认识。具体做法：1．应用单个特征进行实验：以（a）身高或者（b）体重数据作为特征，在正态分布假设下利用最大似然法或者贝叶斯估计法估计分布密度参数（只利用训练数据估计密度），建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到测试样本，考察测试错误情况。在分类器设计时可以考察采用不同先验概率（如0.5对0.5,0.75对0.25,0.9对0.1等）进行实验，考察对决

3、策规则和错误率的影响。2．应用两个特征进行实验：同时采用身高和体重数据作为特征，分别假设二者相关或不相关，在正态分布假设下估计概率密度，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到训练/测试样本，考察训练/测试错误情况。比较相关假设和不相关假设下结果的差异。在分类器设计时可以考察采用不同先验概率（如0.5vs.0.5,0.75vs.0.25,0.9vs.0.1等）进行实验，考察对决策和错误率的影响。3．自行给出一个决策表，采用最小风险的Bayes决策重复上面的某个或全部实验。需要用到的数据

4、文件：训练和测试样本集：PR_Exp1_Data_1.txt124个同学的身高、体重、性别数据（40个女生、84个男生）PR_Exp1_Data_2.txt328个同学的身高、体重、性别数据（78个女生、250个男生）PR_Exp1_Data_3.txt90个同学的身高、体重、性别数据（16个女生、74个男生）实验代码（身高或者体重） clearall;loaddatasetf1.txt;%读入样本数据男生loaddatasetm1.txt;%读入样本数据女生%样本的分析figure;fori=1:250if(i

5、<79)plot(datasetf1(i,2),datasetf1(i,1),'r+');endplot(datasetm1(i,2),datasetm1(i,1),'k*');holdon;endtitle('样本数据');xlabel('体重(Kg)'),ylabel('身高(cm)');legend('男生','女生');%打开文件（测试文件和训练文件）此处选择文件为第三组测试文件fid=fopen('dataset3.txt','r');test1=fscanf(fid,'%f%f%s',[3,inf])

6、;%文件读取格式test=test1';fclose(fid);Fmean=mean(datasetf1);Mmean=mean(datasetm1);Fvar=std(datasetf1);Mvar=std(datasetm1);preF=0.5;%先验概率的设定和修改preM=0.5;error=0;Nerror=0;%错误个数和错误率的设定%身高的决策sprintf('%s','样本数为90时P0.5——0.5：')%测试或者训练样本的个数figure;fori=1:90%测试或者训练样本的个数PFheig

7、ht=normpdf(test(i,1),Fmean(1,1),Fvar(1,1));%得到男生身高的数据PMheight=normpdf(test(i,1),Mmean(1,1),Mvar(1,1));%得到女生身高的数据pFemale=preF*PFheight;pMale=preM*PMheight;if(pFemale

8、I,1),’r+’);if(test(I,3)==’1’)Nerror=Nerror+1;endendholdon;end;error=Nerror/90*100;%根据样本的选择来确定除以的样本个数title(‘身高最小错误率Bayes分类’);xlabel(‘测试序号’),ylabel(‘身高(cm)’);sprintf(‘%s%d%s%0.2f%s’,’身高分类错误