贝叶斯MATLAB

• 1.简单分类

  代码：

  load fisheriris

  O1 = NaiveBayes.fit(meas,species);

  C1 = O1.predict(meas);

  cMat1 = confusionmat(species,C1) 

  运行结果：

  cMat1 =

   

      50     0     0

       0    47     3

       0     3    47

  这种最简单的用法默认数据的每个特征都服从高斯分布(Normal Distribution)，并且默认先验概率是经验概率(Empirical)，即先验概率是每个类出现的频率。

   

  2.通过设置参数定制分类器

   代码：

  O2 = NaiveBayes.fit(meas,species,'dist',{'normal','kernel','normal','kernel'}); 

  C2 = O2.predict(meas);

  cMat2 = confusionmat(species,C2)

  运行结果：

   

  cMat2 =

   

      50     0     0

       0    47     3

       0     3    47

  与第一种方法不同，这里可以对不同的特征设置不同的分布，normal表示高斯分布、kernel表示核密度平滑估计。另外还有mvmn--多元多项式分布(Multivariate multinomial distribution)、mn--多项式分布(Multinomial distribution)。这里的mvmn适合于离散的特征、mn适合于bag-of-tokens模型。