模式识别作业一 Bayes分类器设计

短命女 2023-10-04 13:14 3阅读 0赞

## 【实验目的】 ##

#### 对模式识别有一个初步的理解，能够根据自己的设计对贝叶斯决策理论算法有一个深刻地认识，理解二类分类器的设计原理。 ####

## 【实验原理】 ##

#### 最小风险贝叶斯决策可按下列步骤进行： ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyMDc4OTM0_size_16_color_FFFFFF_t_70_pic_center]

## 【实验内容】 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyMDc4OTM0_size_16_color_FFFFFF_t_70_pic_center 1]

#### 类条件概率的曲线： ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyMDc4OTM0_size_16_color_FFFFFF_t_70_pic_center 2]  
![在这里插入图片描述][20210512113339606.bmp_pic_center]

## 【实验要求】 ##

#### 1) 用python完成基于最小错误率的贝叶斯分类器的设计，要求程序相应语句有说明文字，要求有子程序的调用过程。 ####

#### 2) 根据例子画出后验概率的分布曲线以及分类的结果示意图。 ####

#### 3) 如果是最小风险贝叶斯决策，决策表如下： ####

#### 最小风险贝叶斯决策表： ####

![在这里插入图片描述][20210512113438331.bmp_pic_center]

#### 请重新设计程序，完成基于最小风险的贝叶斯分类器，画出相应的条件风险的分布曲线和分类结果,并比较两个结果。 ####

## 最小错误实验程序： ##

import numpy as np
    import math
    import matplotlib.pyplot as plt
    
    x = [-4.9847, -3.5649, -2.2401, -0.9780, -0.8032, -2.9531,
         -2.8605, -3.9287, -3.3414, -2.2792, -3.6549,-3.0852,
         -4.1934, 2.9792, -0.9980, 0.8932, 1.1982, 3.2682,
         -1.5899, -1.4985, -0.7531, -0.4321, -1.2186, 4.3532]
    y = range(24)
    P_w1 = 0.92  # 先验概率1
    P_w2 = 0.08  # 先验概率2
    
    mean1 = -2  #均值1
    std1 = np.sqrt(0.25)  #方差1
    mean2 = 2   #均值2
    std2 = np.sqrt(4)  #方差2
    
    data_w1 = []  # 正常细胞
    data_w2 = []  # 非正常细胞
    x1 = 0
    x2 = 0
    for x_i in x:
    
        P_x_w1 = 1 / (std1 * pow(2 * math.pi, 0.5)) * np.exp(-((x_i - mean1) ** 2) / (2 * std1 ** 2))  # 条件概率密度函数1
        P_x_w2 = 1 / (std2 * pow(2 * math.pi, 0.5)) * np.exp(-((x_i - mean2) ** 2) / (2 * std2 ** 2))  # 条件概率密度函数2
    
        P_x = P_x_w1 * P_w1 + P_x_w2 * P_w2  # x的概率密度函数
        P_w1_x = (P_x_w1 * P_w1) / P_x  # 后验概率1
        P_w2_x = 1 - P_w1_x   # 后验概率2
    
        if P_w1_x > P_w2_x:  # 分类正常细胞
            data_w1 = np.append(data_w1, x_i)
            x1 = x1 + 1
        if P_w1_x < P_w2_x:  # 分类非正常细胞
            data_w2 = np.append(data_w2, x_i)
            x2 = x2 + 1
    
    print("data_w1=", data_w1)
    print("data_w2=", data_w2)
    
    print("正常细胞个数:",x1)
    print("非正常细胞个数:",x2)
    
    plt.rcParams["font.family"] = "SimHei" # 添加了这句话可在图中显示中文
    plt.rcParams["axes.unicode_minus"] = False # 添加了这一行使得负号可以显示
    
    plt.scatter(range(x1), data_w1,marker='+',label='正常细胞')
    
    plt.scatter(range(x2), data_w2,marker='o',label='非正常细胞')
    
    plt.title('最小错误贝叶斯决策')
    plt.legend()
    plt.show()

## 最小错误结果图： ##

![在这里插入图片描述][20210512113702410.bmp_pic_center]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyMDc4OTM0_size_16_color_FFFFFF_t_70_pic_center 3]

## 最小风险实验程序： ##

import numpy as np
    import math
    import matplotlib.pyplot as plt
    
    x = [-4.9847, -3.5649, -2.2401, -0.9780, -0.8032, -2.9531,
         -2.8605, -3.9287, -3.3414, -2.2792, -3.6549,-3.0852,
         -4.1934, 2.9792, -0.9980, 0.8932, 1.1982, 3.2682,
         -1.5899, -1.4985, -0.7531, -0.4321, -1.2186, 4.3532]
    y = range(24)
    P_w1 = 0.92  # 先验概率1
    P_w2 = 0.08  # 先验概率2
    
    mean1 = -2  #均值1
    std1 = np.sqrt(0.25)  #方差1
    mean2 = 2   #均值2
    std2 = np.sqrt(4)  #方差2
    
    data_w1 = []  # 正常细胞
    data_w2 = []  # 非正常细胞
    
    x1 = 0
    x2 = 0
    for x_i in x:
    
        P_x_w1 = 1 / (std1 * pow(2 * math.pi, 0.5)) * np.exp(-((x_i - mean1) ** 2) / (2 * std1 ** 2))  # 条件概率密度函数1
        P_x_w2 = 1 / (std2 * pow(2 * math.pi, 0.5)) * np.exp(-((x_i - mean2) ** 2) / (2 * std2 ** 2))  # 条件概率密度函数2
    
        P_x = P_x_w1 * P_w1 + P_x_w2 * P_w2 # x的概率密度函数
        P_w1_x = (P_x_w1 * P_w1) / P_x  # 后验概率1
        P_w2_x = 1 - P_w1_x   # 后验概率2
    
        P_a1 = 0 * P_w1_x + 8 * P_w2_x
        P_a2 = 1 * P_w1_x + 0 * P_w2_x
    
        if P_a1 > P_a2:  # 分类正常细胞
            data_w1 = np.append(data_w1, x_i)
            x1 = x1 + 1 # 细胞个数
        if P_a1 < P_a2:  # 分类非正常细胞
            data_w2 = np.append(data_w2, x_i)
            x2 = x2 + 1 # 细胞个数 
    print("data_w1=", data_w1)
    print("data_w2=", data_w2)
    
    print("正常细胞个数:",x1)
    print("非正常细胞个数:",x2)
    
    plt.rcParams["font.family"] = "SimHei" # 添加了这句话可在图中显示中文
    plt.rcParams["axes.unicode_minus"] = False # 添加了这一行使得负号可以显示
    
    plt.scatter(range(x1), data_w1,marker='+',label='正常细胞')
    plt.scatter(range(x2), data_w2,marker='o',label='非正常细胞')
    
    plt.title('最小风险贝叶斯决策')
    plt.legend()
    plt.show()

## 最小风险结果图： ##

![在这里插入图片描述][20210512113823519.bmp_pic_center]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyMDc4OTM0_size_16_color_FFFFFF_t_70_pic_center 4]

#### 本人能力有限，解释尚不清楚明了，如遇任何问题，大家可留言或私信。开源Matlab程序较多，大家按需参考学习使用。 ####

#### 本文希望对大家有帮助，当然上文若有不妥之处，欢迎指正。 ####

#### 分享决定高度，学习拉开差距 ####

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyMDc4OTM0_size_16_color_FFFFFF_t_70_pic_center]: https://img-blog.csdnimg.cn/20210512113117996.bmp?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyMDc4OTM0,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyMDc4OTM0_size_16_color_FFFFFF_t_70_pic_center 1]: https://img-blog.csdnimg.cn/20210512113217104.bmp?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyMDc4OTM0,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyMDc4OTM0_size_16_color_FFFFFF_t_70_pic_center 2]: https://img-blog.csdnimg.cn/20210512113242683.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyMDc4OTM0,size_16,color_FFFFFF,t_70#pic_center
[20210512113339606.bmp_pic_center]: https://img-blog.csdnimg.cn/20210512113339606.bmp#pic_center
[20210512113438331.bmp_pic_center]: https://img-blog.csdnimg.cn/20210512113438331.bmp#pic_center
[20210512113702410.bmp_pic_center]: https://img-blog.csdnimg.cn/20210512113702410.bmp#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyMDc4OTM0_size_16_color_FFFFFF_t_70_pic_center 3]: https://img-blog.csdnimg.cn/20210512113710600.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyMDc4OTM0,size_16,color_FFFFFF,t_70#pic_center
[20210512113823519.bmp_pic_center]: https://img-blog.csdnimg.cn/20210512113823519.bmp#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyMDc4OTM0_size_16_color_FFFFFF_t_70_pic_center 4]: https://img-blog.csdnimg.cn/202105121138353.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQyMDc4OTM0,size_16,color_FFFFFF,t_70#pic_center