【鸢尾花数据集最小错误率贝叶斯分类】

一、 问题描述
——鸢尾花数据集最小错误率贝叶斯分类
iris是鸢尾植物数据集，存储了其萼片和花瓣的长宽，共4个特征属性（记萼长为属性1，萼宽为属性2，花瓣长为属性3，花瓣宽为属性4），鸢尾植物分三类。该数据集一共包含4个特征变量，1个类别变量。共有150个样本，鸢尾有三个亚属，分别是山鸢尾 (Iris-setosa，即类别1)，变色鸢尾(Iris-versicolor，即类别2)和维吉尼亚鸢尾(Iris-virginica，即类别3)。现在基于最小错误率贝叶斯决策，根据不同的特征属性对测试样本进行分类，使得分类结果的错误率最小。

二、 实现思想
原理：在一般的模式识别问题中，人们的目标往往是尽量减少分类的错误，追求最小的错误率，即求解一种决策规则，使得

这就是基于最小错误率的贝叶斯决策。
由P（e｜x）≥0，P（x）≥0对于所有的x均成立，故minP（e）等同于对所有的x最小化P（e｜x），即使后验概率P（ωi｜x）最大化。根据贝叶斯公式

对于所有类别，分母都是相同的，所以决策的时候实际上只需要比较分子，即

先验概率P（ωi）和类条件概率密度P（x｜ωi）是已知的。概率密度P（x｜ωi）反映了在ωi类中观察到特征值x的相对可能性。
对于多类别决策，错误率的计算量较大，可以转化为计算平均正确率P（c）来计算错误率：

步骤：
（1）对数据进行处理
在每个类别的样本中分别取40个样本，作为训练样本（共120个），余下样本作为测试样本（共30个），
（2） 求出每类训练样本的均值
（3） 求出每类训练样本的协方差矩阵
（4） 求出每类训练样本的协方差矩阵的逆矩阵
（5）求出每类训练样本的协方差矩阵的行列式值
（6）求出各类别的先验概率和后验概率

三、 结果展示
运行程序得测试样本分类图界面，这里每次取3个不同特征属性进行多次实验作出分类图（图1，图2，图3，图4）
ps：为了让分类图更直观，部分图是经过旋转得来的。