贝叶斯决策（含MATLAB程序）

 一、理论简介    

        贝叶斯决策理论，是主观贝叶斯派归纳理论的重要组成部分。 贝叶斯决策就是在不完全情报下，对部分未知的状态用主观概率估计，然后用贝叶斯公式对发生概率进行修正，最后再利用期望值和修正概率做出最优决策。

二、基本思想

        贝叶斯决策理论方法是统计模型决策中的一个基本方法，其基本思想是：
        （1）已知类条件概率密度参数表达式和先验概率；
        （2）利用贝叶斯公式转换成后验概率；
        （3）最后根据后验概率大小进行决策分类。

​三、先验概率和后验概率

        先验概率P（wi）最直观易懂的理解就是，所谓“先”，就是在事情之前，即在事情发生之前事情发生的概率。是根据以往经验和分析得到的概率。比如抛硬币，我们都认为正面朝上的概率是0.5，这就是一种先验概率，在抛硬币前，我们只有常识。这个时候事情还没发生，我们进行概率判断。所谓的先验概率是对事情发生可能性猜测的数学表示。

         后验概率P（wi|   X）直观上理解是事情已经发生了，事情发生可能有很多原因，判断事情发生时由哪个原因引起的概率。

四、贝叶斯公式

 五、决策判据

        贝叶斯决策理论方法，是统计模式识别中的一个基本方法。贝叶斯决策判据，既考虑了各类参考总体出现的概率大小，又考虑了因误判造成的损失大小，判别能力强。贝叶斯方法更适用于下列场合：
        (1) 样本(子样)的数量(容量)不充分大，因而大子样统计理论不适宜的场合。
        (2) 试验具有继承性，反映在统计学上，就是要具有在试验之前，已有先验信息的场合。用这种方法进行分类时要求两点：
        ①要决策分类的参考总体的类别数是一定的。例如两类参考总体(正常状态Dl和异常状态D2)，或L类参考总体D1，D2，…，DL(如良好、满意、可以、不满意、不允许、……)。
        ②各类参考总体的概率分布是已知的，即每一类参考总体出现的先验概率P(Di)以及各类概率密度函数P(x/Di)是已知的。显然，0≤P(Di)≤1，(i=l，2，…，L)，∑P(Di)=1。
对于两类故障诊断问题，就相当于在识别前已知正常状态D1的概率P(D1)和异常状态D2的概率P(D2)，它们是由先验知识确定的状态先验概率。
        如果不做进一步的仔细观测，仅依靠先验概率去作决策，那么就应给出下列的决策规则：若P(D1)>P(D2)，则做出状态属于D1类的决策；反之，则做出状态属于D2类的决策。
        例如，某设备在365天中，有故障是少见的，无故障是经常的，有故障的概率远小于无故障的概率。因此，若无特别明显的异常状况，就应判断为无故障。
        显然，这样做对某一实际的待检状态，根本达不到诊断的目的，这是由于只利用先验概率提供的分类信息太少了。为此，我们还要对系统状态进行状态检测，分析所观测到的信息。

六、程序实现

        部分代码：

c1 = scatter(d1(:,1),d1(:,2),'.');
hold on;
c2 = scatter(d2(:,1),d2(:,2),'+');
title('两类模式分布图');
legend([c1 c2],'模式1','模式2')
set(gcf,'position',[0 0 500 400]);

 

 完整代码下载链接：

https://download.csdn.net/download/qq_64928278/87712847?spm=1001.2014.3001.5503https://download.csdn.net/download/qq_64928278/87712847?spm=1001.2014.3001.5503今天的分享就到这里喔。