实验一 Bayes 分类器设计【实验目的】对模式识别有一个初步的理解，能够根据自己的设计对贝叶斯决策理论算法有一个深刻地认识，理解二类分类器的设计原理。【实验原理】最小风险贝叶斯决策可按下列步骤进行：(1) 在已知)(iP，)(iXP，i=1, ⋯， c 及给出待识别的X 的情况下，根据贝叶斯公式计算出后验概率：cjiiiiiPXPPXPXP1)()()()()(j=1, ⋯， x (2) 利用计算出的后验概率及决策表，按下面的公式计算出采取ia ,i=1,⋯，a 的条件风险cjjjiiXPaXaR1)(),()(,i=1,2,⋯,a (3) 对(2) 中得到的a 个条件风险值)(XaRi,i=1,⋯， a 进行比较，找出使其条件风险最小的决策ka ，即1,minkiiaR axR a xL则ka 就是最小风险贝叶斯决策。【实验内容】假定某个局部区域细胞识别中正常（1）和非正常（2 ）两类先验概率分别为正常状态： P（1）=；异常状态： P（2 ）=。现有一系列待观察的细胞，其观察值为x ：已知类条件概率是的曲线如下图：-6-4-2024600.10.20.30.40.50.60.70.8)|(1xp)|(2xp类条件概率分布正态分布分别为N（-2 ，）、N（2,4 ）试对观察的结果进行分类。【实验要求】1)用 matlab 完成基于最小错误率的贝叶斯分类器的设计，要求程序相应语句有说明文字，要求有子程序的调用过程。2)根据例子画出后验概率的分布曲线以及分类的结果示意图。3)如果是最小风险贝叶斯决策，决策表如下：最小风险贝叶斯决策表：状态决策12α 104α 220请重新设计程序， 完成基于最小风险的贝叶斯分类器，画出相应的条件风险的分布曲线和分类结果 , 并比较两个结果。【实验程序】最小错误率贝叶斯决策分类器设计x=[ ]pw1= ; pw2=e1=-2; a1=e2=2;a2=2m=numel(x) % 得到待测细胞个数pw1_x=zeros(1,m) %存放对 w1的后验概率矩阵pw2_x=zeros(1,m) %存放对 w2的后验概率矩阵results=zeros(1,m) %存放比较结果矩阵for i = 1:m%计算在 w1下的后验概率pw1_x(i)=(pw1*normpdf(x(i),e1,a1))/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i),e2,a2))%计算在 w2下的后验概率pw2_x(i)=(pw2*normpdf(x(i),e2,a2))/(pw1*normpdf(x(i),e1,a1)+pw2*normpdf(x(i),e2,a2))endfor i = 1:m if pw1_x(i)>pw2_x(i) %比较两类后验概率 result(i)=0 %正常细胞 else result(i)=1 %异常细胞 endenda=[-5::5] %取样本点以画图n=numel(a)pw1_plot=zeros(1,n)pw2_plot=zeros(1,n)for j=1:npw1_plot(j)=(pw1*normpdf(a(j),e1,a1))/(pw1*normp...
