本文介绍了一个使用MATLAB实现的基于高斯分布的贝叶斯分类器。通过最大似然估计获取参数，利用伯努利分布计算先验概率，并通过比较后验概率确定样本类别。代码包括训练模型、计算分类误差的功能，展示了在二维数据集上的表现，测试结果显示分类效果良好。
贝叶斯(Baysian)分类器[1]是一种理论上比较简单的分类器。但是结合不同的网络结构和概率模形，它又可以演化成非常复杂的分类体系。本短文主要演示Baysian + Gaussian如何解两类问题。
其中，分母部分主要用于归一化。p(y)为先验概率(prior)， p(x|y)为条件概率或称之为类概率密度(即已知x是哪一类的情况下p(x)的概率密度)。 在本文中，假设p(x|y)是高斯分布，即[2]：
而p(y)则采用伯努利(Bernoulli)分布[3]:
其中最大似然估计后得到的\eta即为第０类中训练样本的个数占总样本数的百分比。 求得五个参数
最低0.47元/天 解锁文章
扫一扫
5万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
