用身高和体重数据进行性别分类的实验报告文档格式.docx
- 文档编号:20265912
- 上传时间:2023-01-21
- 格式:DOCX
- 页数:22
- 大小:314.63KB
用身高和体重数据进行性别分类的实验报告文档格式.docx
《用身高和体重数据进行性别分类的实验报告文档格式.docx》由会员分享,可在线阅读,更多相关《用身高和体重数据进行性别分类的实验报告文档格式.docx(22页珍藏版)》请在冰豆网上搜索。
,其中
本次实验的分界阈值我们用如下方法得到:
最后,将测试样本中的值代入,求出y,并将其与y0来进行比较来分类。
xHAQX74J0X
根据课本对Fisher线性判别法的介绍,得到的算法流程图如下:
LDAYtRyKfE
这里我们选择Fisher线性判别法,用留一法来估计它在训练集上的错误率,并将结果与Fisher线性判别法对测试集进行判别时得到的错误率进行比较。
Zzz6ZB2Ltk
具体流程图如下:
四、实验结果及分析总结
1、得到结果如下表
以身高作为特征
h=4
估计方法
女生先验概率
男生先验概率
男生错误个数
女生错误个数
总错误
男生错误率
女生错误率
总错误率
Parzen窗法
0.25
0.75
22
8
30
16%
8.8%
10%
0.5
34
4
38
13.6%
8%
12.67%
80
2
82
32%
4%
27.33%
最大似然Bayes
20
6.667%
27
9%
60
20%
以身高与体重作为特征
h=7
7
29
14%
9.67%
40
15.2%
13.33%
46
48
18.4%
6
14
3.2%
12%
4.67%
3
32
11.6%
6%
10.67%
0.2
59
1
23.6%
2%
分析:
通过比较可知,在用最大似然估计这种参数估计方法和Parzen这种非参数估计方法来进行分类时,最大似然估计判别的错误率低。
dvzfvkwMI1
2、得到结果如下
1)、用Fisher线性判别方法求分类器,将分类器应用到训练和测试样本上,比较其错误率
判别
对象
测试样本
10.8%
训练样本
12
用训练样本得到的分类器测试测试样本时错误率低,测试结果较好,但测试训练样本时,其错误率较高,测试结果不好。
rqyn14ZNXI
2)、将训练样本和求得的决策边界画到图上
先验概略为0.5,0.5
从图中我们可以直观的比较出对训练样本Fisher判别比最大似然Bayes判别效果更好。
3、留一法测试结果如下:
错误率
81
28%
用留一法在训练样本机上估计错误率时,错误率小于它在测试样本集上得到的错误率,且留一法在测试样本集上女生错误个数远低于男生错误个数。
EmxvxOtOco
五、体会
这次实验,我们组用了接近三天的时间,首先,我们对题目要求进行认真分析,在确保对题目完全理解的基础上,开始一步一步分析,求解。
对每个小题,及其每一问,我们都经过查书,查资料,编代码这几个步骤,仔细分析每一步算法,得出流程图。
经过第一次作业的编程,本次编程我们都觉得轻松了很多,但还会出现一些细节上的错误,不过,这些在我们经过不断的调试之后都会被发现并解决。
总体而言,本次实验,让我们对Parzen窗法求类条件概率密度,以及Fisher线性判别法都有了更大的了解。
SixE2yXPq5
代码:
%特征是身高,先验概率为0.5、0.5时用Parzen窗法,贝叶斯分类器。
clc。
clearall。
[FHFW]=textread('
C:
\Users\xuyd\Desktop\homework\FEMALE.txt'
'
%f%f'
>
6ewMyirQFL
[MHMW]=textread('
\Users\xuyd\Desktop\homework\MALE.txt'
kavU42VRUs
FA=[FHFW]。
MA=[MHMW]。
N1=max(size(FA>
h1=4。
hn1=h1/(sqrt(N1>
VN1=h1/(sqrt(N1>
N2=max(size(MA>
h2=4。
hn2=h2/(sqrt(N2>
VN2=h2/(sqrt(N2>
[tHtW]=textread('
\Users\xuyd\Desktop\homework\test2.txt'
%f%f%*s'
y6v3ALoS89
X=[tHtW]。
[MN]=size(X>
s=zeros(M,1>
A=[X(:
1>
X(:
2>
s]。
error=0。
errorgirl=0。
errorboy=0。
errorrate=0。
errorgirlrate=0。
errorboyrate=0。
girl=0。
boy=0。
bad=0。
fork=1:
M%测试集
x=A(k>
p=0.5。
%p为属于女生的先验概率,则1-p为男生的先验概率
fori=1:
N1
pp(i>
=1/sqrt(2*pi>
*exp(-0.5*(abs(x-FA(i>
^2/(hn1^2>
%pp<
i)是窗函数M2ub6vSTnP
end
p1=sum(1/VN1*pp'
y1=1/N1*p1。
%是女生的条件概率密度函数
forj=1:
N2
qq(j>
*exp(-0.5*(abs(x-MA(j>
^2/(hn2^2>
0YujCfmUCw
end
q1=sum(1/VN2*qq'
y2=1/N2*q1。
%男生的概率密度函数,即其条件概率
g=p*y1-(1-p>
*y2。
%g为判别函数
ifg>
ifk<
=50
s(k,1>
=0。
%判为女生
girl=girl+1。
else
errorboy=errorboy+1。
elseifg<
ifk<
errorgirl=errorgirl+1。
else
=1。
%判为男生
boy=boy+1。
=-2。
%不能判别是指等于0时的情况
bad=bad+1。
end
errorgirl
errorboy
bad
girl=errorboy+girl
boy=boy+errorgirl
error=errorgirl+errorboy
errorgirlrate=errorgirl/50
errorboyrate=errorboy/250
errorrate=error/M
%特征是身高与体重,先验概率为0.5、0.5时用Parzen窗法,贝叶斯分类器。
eUts8ZQVRd
sQsAEJkW5T
h1=7。
VN1=hn1^2。
h2=7。
VN2=hn2^2。
GMsIasNXkA
M
A=[X(k,1>
X(k,2>
]。
x=A。
pp=0。
fa=[FA(i,1>
FA(i,2>
n=1/sqrt(2*pi>
*exp(-0.5*abs((x-fa>
*(x-fa>
'
/(hn1^2>
TIrRGchYzg
pp=pp+n。
p1=1/VN1*pp'
qq=0。
forj=1:
ma=[MA(j,1>
MA(j,2>
m=1/sqrt(2*pi>
*exp(-0.5*abs((x-ma>
*(x-ma>
/(hn2^2>
7EqZcWLZNX
qq=m+qq。
%用fisher线性判别法求阈值
function[w,y0]=fisher(AA,BB>
A=AA'
B=BB'
[k1,l1]=size(A>
[k2,l2]=size(B>
M1=sum(AA>
M1=M1'
M1=M1/l1。
%男生均值向量
M2=sum(BB>
M2=M2'
M2=M2/l2。
%女生均值向量
S1=zeros(k1,k1>
%建立矩阵
S2=zeros(k2,k2>
fori=1:
l1
S1=S1+(A(:
i>
-M1>
*((A(:
.'
%男生的类内离散度矩阵
l2
S2=S2+(B(:
-M2>
*((B(:
%女生的类内离散度矩阵
Sw=0.5*S1+0.5*S2。
%总类内离散度矩阵,先验概率0.5
w=inv(Sw>
*(M1-M2>
%两列
wT=w'
%wT就是使Fisher准则函数JF<
w)取极大值时的解,也就是d维X空间到1维Y空间的最好的投影方向lzq7IGf02E
Y1(i>
=wT(1,1>
*A(1,i>
+wT(1,2>
*A(2,i>
%求出二维男生样本集映射到一维时的量zvpgeqJ1hk
Y2(i>
*B(1,i>
*B(2,i>
%求出二维女生样本集映射到一维时的量NrpoJac3v1
m1=sum(Y1>
/l1。
m2=sum(Y2>
/l2。
y0=(l1*m1+l2*m2>
/(l1+l2>
%
%用fisher线性判别函数来判断
clc
clearall
[filename,pathname,filterindex]=uigetfile('
*.txt'
'
请读入男生训练集'
1nowfTG4KI
fileAddrs=[pathname,filename]。
[A1A2]=textread(fileAddrs,'
请读入女生训练集'
fjnFLDa5Zo
[B1B2]=textread(fileAddrs,'
AA=[A1A2]。
BB=[B1B2]。
[w,y0]=fisher(AA,BB>
请读入测试集'
tfnNhnE6e5
[T1T2]=textread(fileAddrs,'
TT=[T1T2]。
T=TT'
[k3l3]=size(T>
50
y(k>
=wT*T(:
k>
ify(k>
y0
elseify(k>
fork=51:
300
errorboy=errorboy+1。
errorrate=error/l3
%画图
HbmVN777sL
V7l4jRB8Hs
x=A(1,i>
y=A(2,i>
%x是身高,y是体重
plot(x,y,'
R.'
holdon
x=B(1,i>
y=B(2,i>
G.'
a1=min(A(1,:
%男生身高最小值
a2=max(A(1,:
%男生身高最大值
b1=min(B(1,:
%女生身高最小值
b2=max(B(1,:
%女生身高最大值
a3=min(A(2,:
%男生体重最小值
a4=max(A(2,:
%男生体重最大值
b3=min(B(2,:
%女生体重最小值
b4=max(B(2,:
%女生体重最大值
ifa1<
b1
a=a1。
else
a=b1。
%a是所有人中身高最小值
ifa2>
b2
b=a2。
b=b2。
%b是所有人中身高最大值
ifa3<
b3
c=a3。
c=b3。
%c是所有人中体重最小值
ifa4>
b4
d=a4。
d=b4。
%d为所有人中体重最大值
x=a:
0.01:
b。
y=(y0-x*w(1,1>
/w(2,1>
plot(x,y,'
B'
holdon。
%身高体重相关,判别测试样本
%手动先验概率
P1=0.5。
P2=0.5。
FA=A。
MA=B。
a=cov(FA'
*(length(FA>
-1>
/length(FA>
b=cov(MA'
*(length(MA>
/length(MA>
W1=-1/2*inv(a>
W2=-1/2*inv(b>
Ave1=(sum(FA'
Ave2=(sum(MA'
w1=inv(a>
*Ave1。
w2=inv(b>
*Ave2。
w10=-1/2*Ave1'
*inv(a>
*Ave1-1/2*log(det(a>
+log(P1>
83lcPA59W9
w20=-1/2*Ave2'
*inv(b>
*Ave2-1/2*log(det(b>
+log(P2>
mZkklkzaaP
symsx。
symsy。
h=[xy]'
h1=h'
*W1*h+w1'
*h+w10。
h2=h'
*W2*h+w2'
*h+w20。
h=h1-h2。
ezplot(h,[130,200,30,100]>
%功能:
应用Fisher准则判断一个身高体重二维数据的性别
vector=[x。
y]。
yy=(w.'
*vector。
ifyy>
value=2。
%表示样本是男生
value=1。
%表示样本是女生
使用留一法求训练样本错误率
[A1A2]=textread('
\Users\Administrator\Desktop\模式识别\homework\MALE.txt'
AVktR43bpw
[B1B2]=textread('
\Users\Administrator\Desktop\模式识别\homework\FEMALE.txt'
ORjBnOwcEd
m1=2。
m2=2。
n1=50。
n2=50。
tempA=zeros(m1,n1-1>
count=0。
n1
(i-1>
tempA(:
j>
=A(:
forj=(i+1>
:
j-1>
[w,y0]=fisher((tempA.'
BB>
flag=classify_CH(A(1,i>
A(2,i>
w,y0>
ifflag==1
count=count+1。
tempB=zeros(m2,n2-1>
n2
tempB(:
=B(:
[w,y0]=fisher(AA,(tempB.'
flag=classify_CH(B(1,i>
B(2,i>
ifflag==2
error_ratio=count/(n1+n2>
%使用留一法求测试样本
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 身高 体重 数据 进行 性别 分类 实验 报告
![提示](https://static.bdocx.com/images/bang_tan.gif)