最小错误率的贝叶斯分类器代码

最小错误率的贝叶斯分类器（Minimum Error Rate Bayes Classifier）是一种常见的分类算法，其基本思想是通过计算各类别的后验概率，然后根据各类别后验概率的大小选择概率最大的类别作为分类结果。

下面是一个简单的最小错误率贝叶斯分类器的Python代码示例，假设我们有两个类别，特征为1维高斯分布：

import numpy as np
import math

# 生成数据
np.random.seed(0)
data1 = np.random.normal(2, 1, 100)
data2 = np.random.normal(5, 1, 100)

# 计算先验概率
prior1 = 0.5
prior2 = 0.5

# 计算均值和方差
mean1 = np.mean(data1)
var1 = np.var(data1)
mean2 = np.mean(data2)
var2 = np.var(data2)

# 定义贝叶斯分类器函数
def bayes_classifier(x):
    # 计算后验概率
    p1 = (1 / (math.sqrt(2 * math.pi * var1))) * math.exp(-(x - mean1) ** 2 / (2 * var1))
    p2 = (1 / (math.sqrt(2 * math.pi * var2))) * math.exp(-(x - mean2) ** 2 / (2 * var2))
    # 根据后验概率大小返回分类结果
    if p1 * prior1 > p2 * prior2:
        return 1
    else:
        return 2

# 测试分类器
test_data = np.random.normal(4, 1, 10)
for i in range(len(test_data)):
    print('测试数据 %d 的分类结果为：' % (i+1), bayes_classifier(test_data[i]))

在上面的代码中，我们首先生成了两个类别的数据，然后计算了两个类别的先验概率、均值和方差。接着定义了一个贝叶斯分类器函数，该函数接受一个特征值作为输入，计算该特征值在各个类别下的后验概率，然后返回概率最大的类别作为分类结果。最后，我们随机生成了一些测试数据，并使用分类器对其进行分类。