1、精選優(yōu)質文檔-傾情為你奉上clcclearclose alldata=importdata('data.txt');wholeData=data.data;%交叉驗證選取訓練集和測試集cv=cvpartition(size(wholeData,1),'holdout',0.04);%0.04表明測試數據集占總數據集的比例cvpartition(n,'holdout',p)創(chuàng)建一個隨機分區(qū)，用于在n個觀測值上進行保持驗證。該分區(qū)將觀察分為訓練集和測試（或保持）集。參數p必須是標量，當0<p<1時，cvpartition為測試集隨機選擇大

2、約p*n個觀測值。當p是整數時，cvpartition為測試集隨機選擇p個觀測值。p的默認值是0.1trainData=wholeData(training(cv),:);testData=wholeData(test(cv),:);label=data.textdata;attributeNumber=size(trainData,2); size（A，2）：獲取矩陣A的列數。attributeValueNumber=5;%將分類標簽轉化為數據（因為在分類數據集中有3個類別，分別是R、B、L所以將類別轉換為數字）sampleNumber=size(label,1);labelData=zer

3、os(sampleNumber,1);for i=1:sampleNumber（測試集的行數） if labeli,1='R' labelData(i,1)=1; elseif labeli,1='B' labelData(i,1)=2; else labelData(i,1)=3; endendtrainLabel=labelData(training(cv),:);trainSampleNumber=size(trainLabel,1);testLabel=labelData(test(cv),:);%計算每個分類的樣本的概率labelProbability

4、=tabulate(trainLabel);tabulate函數的功能是創(chuàng)建向量X信息數據頻率表。其函數使用格式：tbl = tabulate(x)創(chuàng)建的TBL（數據頻率表）的結構：第一列：x的唯一值 第二列：每個值的實例數量 第三列：每個值的百分比%P_yi,計算P(yi)P_y1=labelProbability(1,3)/100;（第一行，第三個元素）P_y2=labelProbability(2,3)/100;P_y3=labelProbability(3,3)/100;count_1=zeros(attributeNumber,attributeValueNumber);%

5、count_1(i,j):y=1情況下，第i個屬性取j值的數量統(tǒng)計count_2=zeros(attributeNumber,attributeValueNumber);%count_1(i,j):y=2情況下，第i個屬性取j值的數量統(tǒng)計count_3=zeros(attributeNumber,attributeValueNumber);%count_1(i,j):y=3情況下，第i個屬性取j值的數量統(tǒng)計%統(tǒng)計每一個特征的每個取值的數量for jj=1:3 for j=1:trainSampleNumber for ii=1:attributeNumber for k=1:attribute

6、ValueNumber if jj=1 if trainLabel(j,1)=1&&trainData(j,ii)=k count_1(ii,k)=count_1(ii,k)+1; end elseif jj=2 if trainLabel(j,1)=2&&trainData(j,ii)=k count_2(ii,k)=count_2(ii,k)+1; end else if trainLabel(j,1)=3&&trainData(j,ii)=k count_3(ii,k)=count_3(ii,k)+1; end end end end en

7、dend%計算第i個屬性取j值的概率，P_a_y1是分類為y=1前提下取值，其他依次類推。P_a_y1=count_1./labelProbability(1,2);P_a_y2=count_2./labelProbability(2,2);P_a_y3=count_3./labelProbability(3,2);%使用測試集進行數據測試labelPredictNumber=zeros(3,1);predictLabel=zeros(size(testData,1),1);for kk=1:size(testData,1) testDataTemp=testData(kk,:); Pxy1=

8、1; Pxy2=1; Pxy3=1; %計算P（x|yi） for iii=1:attributeNumber Pxy1=Pxy1*P_a_y1(iii,testDataTemp(iii); Pxy2=Pxy2*P_a_y2(iii,testDataTemp(iii); Pxy3=Pxy3*P_a_y3(iii,testDataTemp(iii); end %計算P(x|yi)*P(yi) PxyPy1=P_y1*Pxy1; PxyPy2=P_y2*Pxy2; PxyPy3=P_y3*Pxy3; if PxyPy1>PxyPy2&&PxyPy1>PxyPy3 pre

9、dictLabel(kk,1)=1; disp('this item belongs to No.',num2str(1),' label or the R label') labelPredictNumber(1,1)=labelPredictNumber(1,1)+1; elseif PxyPy2>PxyPy1&&PxyPy2>PxyPy3 predictLabel(kk,1)=2; labelPredictNumber(2,1)=labelPredictNumber(2,1)+1; disp('this item bel

10、ongs to No.',num2str(2),' label or the B label') elseif PxyPy3>PxyPy2&&PxyPy3>PxyPy1 predictLabel(kk,1)=3; labelPredictNumber(3,1)=labelPredictNumber(3,1)+1; disp('this item belongs to No.',num2str(3),' label or the L label') endendtestLabelCount=tabulate(te

11、stLabel);% 計算混淆矩陣disp('the confusion matrix is : ')C_Bayes=confusionmat(testLabel,predictLabel) 89· 103以上部分就是針對于這個已有的數據集進行的算法的實現。· 結果與分析 C_Bayes是計算出來的混淆矩陣。 其結果為： C_Bayes=為了驗證該自編程序是否可靠，我再使用了Matlab自帶的貝葉斯算法的函數fitcnb進行該數據的分類測試Nb=fitcnb(trainData,trainLabel);y_nb=Nb.predict(testData);C_nb=confusionmat(testLabel,y_nb)· 1· 2· 3· 4其中C_nb是采用自帶函數得到的結果的混淆矩陣