最小错误率贝叶斯分类器（包含matlab程序）

1. 最小错误贝叶斯分类器原理

在对模式进行识别时，在存在模棱两可的情况下，任何决策都存在判别错误的可能性。最小错误贝叶斯决策就是以错误率为自小的分类规则。使用p(e)表示错误概率，那么最小错误贝叶斯分类器的目的就是minp(e).

对于两种模式，其中：

即x属于第一类，判别为第二类的概率，x属于第二类，判别为第一类的概率。
可以看出使错误率最小的决策就是使后验概率最大的决策，因此最小错误率贝叶斯决策可写为：

其中，后验概率的计算使用贝叶斯公式计算，因此要已知先验概率p(ωi)以及类条件概率密度p(x|wi)。

判决公式还有很多等价公式。

2.最小错误率贝叶斯分类器的图形表示

错误率：

对于多类问题的决策，思路跟两类问题类似，不同的只是计算量加重了许多；可以把每一类的后验概率当做是该类的一个判别函数gi(x),决策的过程就是各类的判别函数进行比较，最后取最大的那个。使用图形表示为：

3.三类最小错误率贝叶斯分类器实验

（1）使用函数产生mvnrnd三类服从高斯分布的样本点。高斯函数的参数作为输入参数输入，包括均值，协方差，个数，先验概率。
（2）为了区分三类样本，第一类使用蓝色，第二类使用绿色，第三类使用红色。
第一类错分的点使用黑色三角表示下来，第二类错分的店使用黄色+表示下来，第三类使用粉红色正方形表示出来。
（3）使用函数mvnpdf()实现高斯密度函数值的计算
（4）比较高斯密度值的大小，选取最大的一类，分到那一类。

输入参数分别为：

实验结果：

实验代码

function self_mvnrnd1(varargin)%可自定义参数的函数
if(nargin==12)%判定输入参数是否为12
w1=mvnrnd(varargin{1},varargin{2},varargin{3});%第一类高斯函数密度值
w2=mvnrnd(varargin{5},varargin{6},varargin{7});%第二类
w3=mvnrnd(varargin{9},varargin{10},varargin{11});
figure(1);
plot(w1(:,1),w1(:,2),'bo');%蓝色o为第一类
hold on
plot(w2(:,1),w2(:,2),'g*');%绿色*为第二类
hold on
plot(w3(:,1),w3(:,2),'r^')
title('300个随机样本，蓝色o为第一类，绿色*为第二类,红色-为第三类');
w=[w1;w2;w3];
n1=0;%第一类正确个数
n2=0;%第二类正确个数
n3=0;%第三类正确的个数
figure(2);
%贝叶斯分类器
for i=1:(varargin{3}+varargin{7}+varargin{11})
    x=w(i,1);
    y=w(i,2);
    g1=mvnpdf([x,y],varargin{1},varargin{2})*varargin{4};
    g2=mvnpdf([x,y],varargin{5},varargin{6})*varargin{8};
    g3=mvnpdf([x,y],varargin{9},varargin{10})*varargin{12};
     if g1>g3&&g1>g2
        if 1<=i&&i<=varargin{3}
            n1=n1+1;%第一类正确个数
            plot(x,y,'bo');%蓝色o表示正确分为第一类的样本
            hold on;
        else
            plot(x,y,'k^');%红色的上三角形表示第一类错误分为第二类
            hold on;
        end   
     end
     if g2>g3&&g2>g1
        if varargin{3}<=i&&i<=(varargin{3}+varargin{7})
            n2=n2+1;%第一类正确个数
            plot(x,y,'g*');%绿色o表示正确分为第二类的样本
            hold on;
        else
            plot(x,y,'y+');%红色的上三角形表示第一类错误分为第二类
            hold on;
        end   
     end
    if g3>g1&&g3>g2
        if (varargin{3}+varargin{7})<=i&&i<=(+varargin{7}+varargin{3}+varargin{11})
            n3=n3+1;%第一类正确个数
            plot(x,y,'r^');%绿色o表示正确分为第二类的样本
            hold on;
        else
            plot(x,y,'ms');%红色的上三角形表示第一类错误分为第二类
            hold on;
        end   
     end
end
r1_rate=0;
r2_rate=0;
r3_rate=0;
r1_rate=n1/varargin{3}
r2_rate=n2/varargin{7}
r3_rate=n3/varargin{11}
print(r1_rate)
print(r2_rate)
print(r3_rate)
end
%%%%%%%%%
 main.m
 self_mvnrnd1([1 3],[1.5,0;0,1],100,0.2,[3,1],[1,0.5;0.5,2],100,0.4,[-1,-2],[ 1,0.5;0.5,2],100,0.4)

/