模式识别贝叶斯决策matlab代码实现

贝叶斯决策是一种模式识别算法，可以用于分类和回归问题。在分类问题中，贝叶斯决策将每个实例分配到最可能的类别中。下面是一个基本的贝叶斯决策的 MATLAB 代码实现示例：

假设我们有一个数据集X，其中每个样本都有n个特征，标记为y。我们假设每个特征都是独立的，并且服从高斯分布。为了分类新样本x，我们需要计算它属于每个类别的概率，并选择具有最高概率的类别。

% 假设每个特征都是独立的，服从高斯分布
class1 = X(y == 1, :); % 类别1数据集
class2 = X(y == 2, :); % 类别2数据集

% 计算类别先验概率
prior1 = size(class1, 1) / size(X, 1);
prior2 = size(class2, 1) / size(X, 1);

% 计算均值和协方差矩阵
mu1 = mean(class1);
mu2 = mean(class2);
sigma1 = cov(class1);
sigma2 = cov(class2);

% 计算测试样本x的后验概率
p1 = prior1 * mvnpdf(x, mu1, sigma1);
p2 = prior2 * mvnpdf(x, mu2, sigma2);

% 选择具有最高后验概率的类别
if p1 > p2
    y_pred = 1;
else
    y_pred = 2;
end

上面代码中，mvnpdf函数用于计算多元高斯分布的概率密度函数，prior1和prior2是类别1和类别2的先验概率，mu1和mu2是类别1和类别2的均值，sigma1和sigma2是类别1和类别2的协方差矩阵。最后，选择具有最高后验概率的类别作为预测结果。