最小错误率贝叶斯分类

最新推荐文章于 2022-07-29 11:59:48 发布

mu_to

最新推荐文章于 2022-07-29 11:59:48 发布

阅读量1.7k

点赞数

分类专栏：笔记文章标签： r语言机器学习 sklearn

本文链接：https://blog.csdn.net/mu_to/article/details/121461183

版权

这篇博客通过实例展示了如何使用贝叶斯分类方法处理体检数据，特别是最小错误率的贝叶斯决策。首先，博主用Python绘制了男女身高频谱图，然后利用最大似然估计法和贝叶斯估计法求得了男女身高的分布参数。接着，博主构建了决策面，通过等高线图展示了类别判定，并分析了样本点(160,45)和(178,70)应归属的性别类别。" 104003464,9181833,C#/.NET 微服务跨域解决方案,"['.NET框架', 'CORS', 'API开发', '微服务架构', '核心3.1']

摘要由CSDN通过智能技术生成

实验三最小错误率的贝叶斯分类

利用贝叶斯后验概率确定分类：设有19人进行体检，结果如下表。但事后发现4人忘了写性别，试问，这4人是男是女？
在这里插入图片描述
代码

import xlrd
import math
import numpy as np
import scipy.stats as st
import matplotlib.pyplot as plt
from scipy.stats import norm

‘’’
/task1/
Take the height as an example, draw a histogram of the
height of the boys and girls and compare
/task1/
‘’’
mydata = xlrd.open_workbook(‘D:/program/py_code/data_2018.xls’)
mysheet1 = mydata.sheet_by_name(“Sheet1”)

#获取行数、列数
nRows=mysheet1.nrows
nCols=mysheet1.ncols

#用于存取男生女生身高数据
man_height=[]
woman_height=[]

#获取第4列的内容:身高
for i in range(nRows):
if i+1<nRows:
if mysheet1.cell(i+1,1).value1:
man_height.append(mysheet1.cell(i+1,3).value)
elif mysheet1.cell(i+1,1).value0:
woman_height.append(mysheet1.cell(i+1,3).value)

#获取男、女生的数量
manlen=len(man_height)
womanlen=len(woman_height)

#画男女生身高频谱图
plt.hist(man_height,manlen,align=‘left’,color=‘red’,label=‘boy’)
plt.hist(woman_height,womanlen,align=‘right’,label=‘girl’)
plt.legend(loc=0)
plt.xlabel(‘height’)
plt.xlim(min(man_height+woman_height)-1,max(man_height+woman_height)+1)
plt.ylabel(‘number’)
plt.title(‘Boy height spectrum’)
#xsticks与yticks：指定坐标轴的刻度