bayes_classify.m

Bayes分类器设计,对模式识别有一个初步的理解

% Bayes分类器算法设计
close all 
clear all

x=[-5:0.01:5];
%一个标准事件的样本值

x_sample=[
         -3.9847   -3.5549   -1.2401   -0.9780   -0.7932   -2.8531...
         -2.7605   -3.7287   -3.5414   -2.2692   -3.4549   -3.0752...
         -3.9934    2.8792   -0.9780    0.7932    1.1882    3.0682...
         -1.5799   -1.4885   -0.7431   -0.4221   -1.1186    4.2532];
% 待观测细胞的样本值

p1=0.9; % 正常细胞的先验概率
p2=0.1; % 异常细胞的先验概率

pk1x=zeros(1,length(x)); %建立一个1*length（x）的一维全零矩阵用来存储正常细胞条件概率密度分布
pk2x=zeros(1,length(x)); %建立一个1*length（x）的一维全零矩阵用来存储异常细胞条件概率密度分布
pk1x=probability_density_function(2,2,x); % 正常细胞的条件概率密度分布
pk2x=probability_density_function(-2,0.5,x); % 异常细胞的条件概率密度分布
% 对一个从-5到5间隔为0.01的序列的条件概率密度分布

pk1=zeros(1,length(x_sample)); %建立一个1*length（x_sample）的一维全零矩阵用来存储正常细胞条件概率密度分布
pk2=zeros(1,length(x_sample)); %建立一个1*length（x_sample）的一维全零矩阵用来存储异常细胞条件概率密度分布
pk1=probability_density_function(2,2,x_sample); % 待测样本中的正常细胞的条件概率密度分布
pk2=probability_density_function(-2,0.5,x_sample); % 待测样本中的异常细胞的条件概率密度分布
% 待观测样本值的条件概率密度分布

p_hy1=zeros(2,length(x)); %建立一个2*length（x）的二维全零矩阵用来存储正常细胞和异常细胞的后验概率
p_hy1=posterior_probability(p1,p2,pk1x,pk2x); 
% 对一个从-5到5间隔为0.01的序列的后验概率分布

p_hy2=zeros(2,length(x_sample)); %建立一个2*length（x_sample）的二维全零矩阵用来存储正常细胞和异常细胞的后验概率
p_hy2=posterior_probability(p1,p2,pk1,pk2);% 待测样本的后验概率 

subplot(2,1,1) %在第一副图中绘制正常细胞和异常细胞的条件概率分布曲线
hold on
grid on
plot(x,pk1x,'c');
%正常细胞的条件概率分布曲线
plot(x,pk2x,'g')
%异常细胞的条件概率分布曲线

subplot(2,1,2)%在第而副图中绘制正常细胞和异常细胞的后验概率分布曲线
hold on
grid on
plot(x,p_hy1(1,:),'r'); 
% 正常细胞的后验概率分布曲线
plot(x,p_hy1(2,:),'b'); 
% 异常细胞地后验概率分布曲线
for k=1:length(x_sample) %在观测样本范围内进行正常细胞和异常细胞后验概率的分类
    if p_hy2(1,k)>p_hy2(2,k) % 判为正常细胞
        plot(x_sample(k),-0.1,'r*');
        %红色*来表示某一点观测值是正常细胞       
    else % 判为异常细胞
        plot(x_sample(k),-0.1,'bo');
        %蓝色o来表示某一点观测值是异常细胞
    end
end