crossvalidate.m

脱机手写体识别Matlab源程序 包括特征提取、bayes分类器、K近邻分类及最近邻分类。 TestScriptRecognition.m：测试代码 ScriptFeaExtract.m ：

% CrossValidate
% m重交叉验证
% X         样本特征数据
% Y         样本类标
% m         m交叉验证参数
% errorRate m次测试获得错误率
function [trainErrorRate,testErrorRate]=CrossValidate(X,Y,m,varargin)
if(nargin<=3)
    type='bayes';          % 默认为贝叶斯分类
else 
    type=varargin{1};      % 获取指定的分类方法
end

classLabMin=min(Y);        % 类标最小值
classLabMax=max(Y);        % 类标最大值

trainErrorRate=NaN(1,m);   % 训练错误率 
testErrorRate=NaN(1,m);    % 测试错误率
for curI=0:m-1             % m次交叉
%        disp([num2str(m) '-Cross Validate' ': m=' num2str(curI)]);
        trainSamples=[];
        testSamples=[];
        for curLab=classLabMin:classLabMax         % 从每个类别中选取训练样本和测试样本
            curClass=find(Y==curLab);              
            tempLab=mod(1:length(curClass),m);
            trainLab=curClass(find(tempLab~=curI));
            testLab=curClass(find(tempLab==curI));
            trainSamples=[trainSamples trainLab];
            testSamples=[testSamples testLab];
        end
        trainX=X(:,trainSamples);                  % 当前训练样本特征
        trainY=Y(trainSamples);                    % 当前训练样本类标
        testX=X(:,testSamples);                    % 当前测试样本特征 
        testY=Y(testSamples);                      % 当前测试样本类标 
        
        if(strcmp(type,'bayes'))
%             disp(['construct ' type ' classfier']);
            [MI,SIGMA,Pk]=BayesTrain(trainX,trainY);   % 训练bayes分类器

%             disp(['test ' type ' classfier']);
            [trainResult,Pkx]=Bayes(trainX,MI,SIGMA,Pk);% bayes open test 
            [testResult,Pkx]=Bayes(testX,MI,SIGMA,Pk);  % bayes close test 
            trainErrorRate(curI+1)=length(find((trainY==trainResult)==0))/length(trainY); % 训练错误率计算
        elseif(strcmp(type,'nearest'))
            [testResult]=NearestEstimate(trainX,trainY,testX); % nearest neighbor estimation 
        elseif(strcmp(type,'knearest'))
            [testResult]=KNearestEstimate(trainX,trainY,testX,varargin{2});
        else
            error('unsupported clssifier method!');
        end

        testErrorRate(curI+1)=length(find((testY==testResult)==0))/length(testY);     % 测试错误率计算
end



% X=[11 21 12 22 13 14 23 34 41 51 15 25 35 42 52 16 26 36 43 53
%    11 21 12 22 13 14 23 34 41 51 15 25 35 42 52 16 26 36 43 53
%    11 21 12 22 13 14 23 34 41 51 15 25 35 42 52 16 26 36 43 53];
% Y=[1  2  1  2  1  1  2  3  4  5  1  2  3  4  5  1  2  3  4  5];