人工智能基础——贝叶斯分类器例程（c语言实现，完整代码）

已于 2022-04-16 21:21:43 修改
阅读量4.3k 收藏 50
点赞数 6
分类专栏： 人工智能 文章标签： 朴素贝叶斯算法 c语言 人工智能 分类算法 神经网络
于 2020-02-09 18:56:31 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45956288/article/details/104238840
版权

选修课老师布置了一道非常简单的作业，作为一学期没上课的学渣，靠百度搜索写完了作业，现把代码贴出，关于贝叶斯分类器的知识，网上一大堆，我就不费时间重复了。
听说MATLAB可以实现，但我MATLAB学的太烂，不会用，只好自己动手，丰衣足食了。

废话不多说，直接上代码

题目

题目：基于几何形态的鸢尾花分类

说明：
1935年，美国植物学家Edgar Anderson在加拿大Gaspe Peninsula岛上采集了三种不同的鸢尾属花卉（具体种类分别为setosa，versicolor和virginica）的几何形态数据。其原始目的是为了调查不同地理区域的植物异变现象。次年，英国统计学家Ronald Fisher在他的经典论文《The use of multiple measurements in taxonomic problems》中引入了Anderson采集的数据，将其整理为著名的Fisher’s Iris数据集（简称Iris）用于分类学研究。Iris数据集一般被认为是模式识别领域早期最具代表性和影响力的数据集之一，它包含了从150株鸢尾属花卉上测量到的四种不同特征，包括花萼宽度、花萼长度、花瓣宽度、花瓣长度，并由Anderson给出了对应花卉种类。
附件（文件：iris-dataset.xlsx）给出了Iris数据集，其中90个样本作为训练样本，60个样本作为测试样本。利用iris数据库进行以下计算：
1） 请选择1种特征，利用训练数据集，使用最大似然估计方法为三种鸢尾花建立概率密度函数模型，并给出模型参数估计值。
2） 根据题1中给出的概率模型估计结果，采用贝叶斯分类器对测试样本进行分类，统计一下分错了几个？
3） 如果允许选择2种特征作为分类依据，重复上述过程，观察错误分类的样本数量是否减少？
4） 你还能想出其他分类方法吗？请给出新方法描述和分类结果，判断是否比贝叶斯分类器的结果更好？

附件内容格式如下：
此为附件内容截图

例程

题目一

#include<stdio.h>
#include<math.h>
#define PI 3.1415926
#ifndef e
    #define e 2.71828
#endif // e

double FGaussian(double , double , double );
double P_ai(double);
double posterior(int, double);

typedef struct
    {
        double u;
        double a;
    }class_t;
//class1,class2,class3为第一问得到的正态分布参数值，第一问采用的excel计算，并未写进代码。
class_t class1 = {0.2467, 0.0098}, class2 = {1.3533, 0.0432}, class3 = {2.0067, 0.0644};
double testingSample[60]= {0.2 , 0.4 , 0.1 , 0.2 , 0.2 , 0.2 , 0.2 , 0.1 , 0.2 , 0.2 ,
                              0.3 , 0.3 , 0.2 , 0.6 , 0.4 , 0.3 , 0.2 , 0.2 , 0.2 , 0.2 ,
                              1.1 , 1   , 1.2 , 1.6 , 1.5 , 1.6 , 1.5 , 1.3 , 1.3 , 1.3 ,
                              1.2 , 1.4 , 1.2 , 1   , 1.3 , 1.2 , 1.3 , 1.3 , 1.1 , 1.3 ,
                              1.9 , 2   , 2.2 , 1.5 , 1.4 , 2.3 , 2.4 , 1.8 , 1.8 , 2.1 ,
                              2.4 , 2.3 , 1.9 , 2.3 , 2.5 , 2.3 , 1.9 , 2   , 2.3 , 1.8};

int main()
{
    double posterior1 = 0, posterior2 = 0, posterior3 = 0;
    int i = 0;
    for(i = 0; i <60; i++)
    {
        posterior1 = posterior(1, testingSample[i] );
        posterior2 = posterior(2, testingSample[i] );
        posterior3 = posterior(3, testingSample[i] );
        if(posterior1 > posterior2 && posterior1 > posterior3)
        {
            printf("样本%d属于setosa\r\n",i+1);
        }
        else if(posterior2 > posterior1 && posterior2 > posterior3)
        {
            printf("样本%d属于versicolor\r\n", i+1);
        }
        else if(posterior3 > posterior1 && posterior3 > posterior2)
        {
            printf("样本%d属于virginica\r\n", i+1);
		}
        else
        {
            printf("样本%d error posterior1 %lf posterior2 %lf posterior3 %lf\r\n", i, posterior1 , posterior2 , posterior3);
		}
	}
	return 0;
}
//  求待分类项x在正态分布里的概率
double FGaussian(double x, double u, double a)
{
    double P_ak_yi = 0;
    P_ak_yi = (1/(a*sqrt(2*PI))) * pow(e, -(pow(x-u,2)/(2*pow(a,2))));
    return P_ak_yi;
}
//求待测样本x出现的概率
double P_ai(double x )
{
    double result = 0;
    result = (1/3.f)*(FGaussian(x,class1.u, class1.a) + FGaussian(x,class2.u, class2.a) + FGaussian(x,class3.u, class3.a));
    return result;
}
//计算待测样本x的后验概率
double posterior(int classifer, double x)
{
    double result = 0;
    switch (classifer)
    {
        case 1:
            result = ((1/3.f) * FGaussian(x,class1.u,class1.a ))/P_ai(x);
            break;
        case 2:
            result = ((1/3.f) * FGaussian(x,class2.u,class2.a ))/P_ai(x);
            break;
        case 3:
            result = ((1/3.f) * FGaussian(x,class3.u,class3.a ))/P_ai(x);
            break;
    }
    return result;
}

题目三

#include<stdio.h>
#include<math.h>
#define PI 3.1415926
#ifndef e
    #define e 2.71828
#endif // e

double FGaussian(double , double , double );
double P_ai(double, double);
double posterior(int, double, double);

typedef struct
    {
        double u;
        double a;
    }class_t;
class_t class1 = {0.2467, 0.0098}, class2 = {1.3533, 0.0432}, class3 = {2.0067, 0.0644};
class_t classlength1 = {1.4733, 0.0333}, classlength2 = {4.3333, 0.2042}, classlength3 = {5.6033, 0.3797};
double testingSample[2][60]= {{0.2 , 0.4 , 0.1 , 0.2 , 0.2 , 0.2 , 0.2 , 0.1 , 0.2 , 0.2 ,
                               0.3 , 0.3 , 0.2 , 0.6 , 0.4 , 0.3 , 0.2 , 0.2 , 0.2 , 0.2 ,
                               1.1 , 1   , 1.2 , 1.6 , 1.5 , 1.6 , 1.5 , 1.3 , 1.3 , 1.3 ,
                               1.2 , 1.4 , 1.2 , 1   , 1.3 , 1.2 , 1.3 , 1.3 , 1.1 , 1.3 ,
                               1.9 , 2   , 2.2 , 1.5 , 1.4 , 2.3 , 2.4 , 1.8 , 1.8 , 2.1 ,
                               2.4 , 2.3 , 1.9 , 2.3 , 2.5 , 2.3 , 1.9 , 2   , 2.3 , 1.8},
                              {1.6 , 1.5 , 1.5 , 1.4 , 1.5 , 1.2 , 1.3 , 1.4 , 1.3 , 1.5 ,
                               1.3 , 1.3 , 1.3 , 1.6 , 1.9 , 1.4 , 1.6 , 1.4 , 1.5 , 1.4 ,
                               3.8 , 3.7 , 3.9 , 5.1 , 4.5 , 4.5 , 4.7 , 4.4 , 4.1 , 4   ,
                               4.4 , 4.6 , 4   , 3.3 , 4.2 , 4.2 , 4.2 , 4.3 , 3   , 4.1 ,
                               6.1 , 6.4 , 5.6 , 5.1 , 5.6 , 6.1 , 5.6 , 5.5 , 4.8 , 5.4 ,
                               5.6 , 5.1 , 5.1 , 5.9 , 5.7 , 5.2 , 5   , 5.2 , 5.4 , 5.1}};
int main()
{
    double posterior1 = 0, posterior2 = 0, posterior3 = 0;
    int i = 0;
    for(i = 0; i <60; i++)
    {
        posterior1 = posterior(1, testingSample[0][i], testingSample[1][i] );
        posterior2 = posterior(2, testingSample[0][i], testingSample[1][i] );
        posterior3 = posterior(3, testingSample[0][i], testingSample[1][i] );
        if(posterior1 > posterior2 && posterior1 > posterior3)
        {
            printf("样本%d属于setosa\r\n",i+1);
        }
        else if(posterior2 > posterior1 && posterior2 > posterior3)
        {
            printf("样本%d属于versicolor\r\n", i+1);
        }
        else if(posterior3 > posterior1 && posterior3 > posterior2)
        {
            printf("样本%d属于virginica\r\n",i+1);
		}
        else
        {
            printf("样本%d error posterior1 %lf posterior2 %lf posterior3 %lf\r\n", i+1, posterior1 , posterior2 , posterior3);
		}
	}
	return 0;
}
//  求待分类项x在正态分布里的概率
double FGaussian(double x, double u, double a)
{
    double P_ak_yi = 0;
    P_ak_yi = (1/(a*sqrt(2*PI))) * pow(e, -(pow(x-u,2)/(2*pow(a,2))));
    return P_ak_yi;
}
//求待测样本x出现的概率
double P_ai(double a1, double a2 )
{
    double result = 0;
    result = (1/3.f)*(FGaussian(a1,class1.u, class1.a) * FGaussian(a2,classlength1.u,classlength1.a)\
                      + FGaussian(a1,class2.u, class2.a) * FGaussian(a2,classlength2.u,classlength2.a)\
                      + FGaussian(a1,class3.u, class3.a) * FGaussian(a2,classlength3.u,classlength3.a));
    return result;
}
//计算待测样本x的后验概率 a1,a2为样本的两个特征，1为宽度，2为长度
double posterior(int classifer, double a1, double a2)
{
    double result = 0;
    switch (classifer)
    {
        case 1:
            result = ((1/3.f) * FGaussian(a1,class1.u,class1.a) * FGaussian(a2,classlength1.u,classlength1.a))/P_ai(a1, a2);
            break;
        case 2:
            result = ((1/3.f) * FGaussian(a1,class2.u,class2.a) * FGaussian(a2,classlength2.u,classlength2.a))/P_ai(a1, a2);
            break;
        case 3:
            result = ((1/3.f) * FGaussian(a1,class3.u,class3.a) * FGaussian(a2,classlength3.u,classlength3.a))/P_ai(a1, a2);
            break;
    }
    return result;
}

这已经完整的代码了，如果需要完整的作业文件，应该也用不到吧？
需要的话请点击以下链接。
链接：https://pan.baidu.com/s/1UeEnp1KfSYfD87pbvoNl_g
提取码：ztch

盛京靓仔
关注
专栏目录
[机器学习]机器学习资源大全中文版
图解AI
05-27 6336
机器学习资源大全中文版 我想很多程序员应该记得 GitHub 上有一个 Awesome - XXX 系列的资源整理。awesome-machine-learning 就是 josephmisiti 发起维护的机器学习资源列表，内容包括了机器学习领域的框架、库以及软件（按编程语言排序）。 Awesome 系列虽然挺全，但基本只对收录的资源做了极为简要的介绍，如果有更详细的中文介绍，对相应开发者的...
机器学习之贝叶斯分类器（C语言描述）
weixin_39527684的博客
10-20 169
朴素贝叶斯法是经典生成学习方法。生成方法由训练数据学习联合概率分布PXYP(X, Y)PXY， 然后求得后验概率分布PY∣XP(Y|X)PY∣X。这个也是挺简单的算法。完。
贝叶斯分类器实现代码bayes_classifier.py
05-12
贝叶斯分类器实现代码，正确率高达百分之70.
AI人工智能 (分类)
最新发布
weixin_51705943的博客
08-05 1698
在这种情况下，我们将 10% 的样本从非欺诈实例中取而代之，然后将它们与欺诈实例相结合 - 随机抽样后的非欺诈性观察:4950 的 10% = 495 将他们与欺诈观察结合后的总观测值: 50 + 495 = 545 因此，现在，低采样后新数据集的事件率为: 9%该数据集在 569 个肿瘤上具有 569 个实例或数据，并且包括关于 30 个属性或特征(诸如肿瘤的半径，纹理，光滑度和面积)的信息。这两个维度都有“真正的正面(TP)”，“真正的负面(TN)”，“错误的正面(FP)”，“错误的否定(FN)”。
贝叶斯公式由浅入深大讲解—AI基础算法入门
周陆军的博客，分享it技术。
03-16 1713
1 贝叶斯方法 长久以来，人们对一件事情发生或不发生的概率，只有固定的0和1，即要么发生，要么不发生，从来不会去考虑某件事情发生的概率有多大，不发生的概率又是多大。而且概率虽然未知，但最起码是一个确定的值。比如如果问那时的人们一个问题：“有一个袋子，里面装着若干个白球和黑球，请问从袋子中取得白球的概率是多少？”他们会想都不用想，会立马告诉你，取出白球的概率就是1/2，要么取到白球，要么取不到...
机器学习-贝叶斯分类器（附Python代码）
热门推荐
gao_的博客
08-24 2万+
通过贝叶斯定理的理解，运用贝叶斯分类器处理分类问题
贝叶斯分类器源代码（简单算法）
06-04
贝叶斯分类器源代码，简单的算法，用VC实现的！
基于朴素贝叶斯分类器的文本分类算法(C语言)
只要你能好
12-02 2882
#include #include #include //_getcwd(), _chdir() #include //_MAX_PATH, system() #include //_finddata_t, _findfirst(), _findnext(), _findclose() char vocabulary[1000][20]; //@输入参
常见机器学习算法例程分析(毕设笔记6)
fenggang2333的博客
03-05 496
常见机器学习算法例程分析(毕设笔记6) 年后有两门课要考试，再加上摸摸鱼。。就到现在了。 这次打算从毕业设计会用到的几个简单的开源库开始分析，最后分析opencv的。 libsvm 目标算法：SVM 使用到开源库自带的例程svm-train，使用的数据是package中自带的心率数据(heart_scale). 数据集特征：271个数据点，标签为正负1，数据维度为13维 训练方式：./svm-train heart_scale 优势：具有较多备选数据集https://www.csie.ntu.edu.tw/
基于元学习的通用求解器：Meta R-CNN
19577Meta R-CNN：面向实例级低拍摄学习的通用求解器严小鹏1岁， Ziliang Chen1，Anni Xu1，Xiaoxi Wang1，Xiaodan Liang1，2，Liang Lin1，2，†12中山大学DarkMatter AI研究{yanxp3，wangxx35}@ mail2.sysu.edu.cn...
Opencv的基本使用和示例图片、视频
qq_54761976的博客
09-25 1575
由于过程太过复杂，我安装的时候忘记截图了，不过可以看看下面这个博客，堪称保姆级教学https://blog.csdn.net/ssj925319/article/details/109231145。此时在code文件夹里面就会出现test.png的新图片格式，且呈现效果不同。由于电脑摄像头坏了，录制的视频是黑屏，我就不放视频截图了。输入**g++ test2.cpp -o test2。因为文件时.cpp文件，所以不再是运用gcc命令。输入执行命令**./test1**code文件生成一个.avi文件。
基于朴素贝叶斯分类器的文本分类算法(C语言)-综合文档
05-22
基于朴素贝叶斯分类器的文本分类算法(C语言)
贝叶斯分类（Matlab代码）
12-24
带操作界面的贝叶斯分类代码（Matlab） 贝叶斯分类Matlab源码
贝叶斯算法实例（c语言）
02-04
c语言版本的贝叶斯算法实例
朴素贝叶斯分类器（MATLAB源代码）
09-30
朴素贝叶斯分类器 MATLAB 源代码，里面含有使用实例，用的是 UCI 的 mushroom 数据集。 分类器详细介绍见： http://blog.csdn.net/yunduanmuxue/article/details/39693917
贝叶斯分类器c++源代码（含测试数据）
06-19
用vs2008编写的贝叶斯分类器，含有测试数据“wine.txt”,是学习贝叶斯分类器的好选择
Python所有库的功能和用途整理，非常全面
lddnzx的博客
02-15 4810
只是对库的基本功能、用途进行了说明，具体使用方法需查找对应的help。 库名称简介 Chardet 字符编码探测器，可以自动检测文本、网页、xml的编码。 colorama 主要用来给文本添加各种颜色，并且非常简单易用。 Prettytable 主要用于在终端或浏览器端构建格式化的输出。 difflib，[Python]标准库，计算文本差异Levenshtein，快速计算字符串相似度。 fuzzy...
朴素贝叶斯算法_C语言实现朴素贝叶斯算法（Naive Bayes）
weixin_39590739的博客
12-16 1741
Naive Bayes 朴素贝叶斯算法，是应用最为广泛的分类算法之一。该算法利用贝叶斯定理与特征条件独立假设做预测，直接且易于理解。该算法在实际运用中，往往能得到意想不到的好结果。1.算法介绍朴素贝叶斯算法的其本质就是计算，即数据属于某一类别的概率。朴素贝叶斯算法的核心就是贝叶斯公式，贝叶斯公式为我们提供了一个适用于计算一些数据属于某一类别的概率的计算方法。贝叶斯公式如下：其中，表示属于某个的概率...
贝叶斯分类器基本原理及代码实现
qq_41230076的博客
05-04 1090
浅谈全概率公式和贝叶斯公式 贝叶斯分类器基本原理及代码实现
评论 15
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值