matlab代码 朴素贝叶斯 实现分类 实例

以下是一个简单的朴素贝叶斯实现分类的示例：

假设我们有一个数据集，其中包含3种不同类别的样本：A、B、C，每个样本有两个特征：x1和x2。

样本数据如下：

A：(1,2) (2,3) (2,1) (3,2)

B：(5,6) (6,7) (5,7) (7,6)

C：(1,5) (2,6) (3,5) (2,7)

我们的目标是使用朴素贝叶斯来对新样本进行分类。下面是实现代码：

% 训练数据
A = [1,2;2,3;2,1;3,2];
B = [5,6;6,7;5,7;7,6];
C = [1,5;2,6;3,5;2,7];

% 计算每个类别的先验概率
pA = size(A,1) / (size(A,1) + size(B,1) + size(C,1));
pB = size(B,1) / (size(A,1) + size(B,1) + size(C,1));
pC = size(C,1) / (size(A,1) + size(B,1) + size(C,1));

% 计算每个类别在每个特征上的均值和方差
mA = mean(A);
mB = mean(B);
mC = mean(C);
vA = var(A);
vB = var(B);
vC = var(C);

% 预测新样本
x = [2,2];
p_x_A = normpdf(x, mA, sqrt(vA)) * pA;
p_x_B = normpdf(x, mB, sqrt(vB)) * pB;
p_x_C = normpdf(x, mC, sqrt(vC)) * pC;
[max_p, idx] = max([p_x_A, p_x_B, p_x_C]);

% 输出预测结果
if idx == 1
disp('预测结果为 A 类');
elseif idx == 2
disp('预测结果为 B 类');
else
disp('预测结果为 C 类');
end

在上面的代码中，我们首先计算了每个类别的先验概率，然后计算了每个类别在每个特征上的均值和方差。这些值用于计算新样本属于每个类别的概率。我们使用正态分布的概率密度函数来计算这些概率。

最后，我们选择具有最大概率的类别作为预测结果，并输出预测结果。在这个例子中，对于新样本(2,2)，我们预测它属于类别 A。