请写一段使用Parzen窗函数法对训练样本估计概率密度的matlab代码，并带入测试样本进行测试、

以下是使用Parzen窗函数法对训练样本估计概率密度的matlab代码：

% 训练样本
train_data = [1.1, 2.2, 3.3, 4.4, 5.5];
train_labels = [1, 1, 0, 0, 0];

% 测试样本
test_data = [2.0, 3.5];

% 参数设置
h = 1;  % 窗口大小

% 计算训练样本的概率密度
p1 = 0;
p0 = 0;
for i = 1:length(train_data)
    xi = train_data(i);
    yi = train_labels(i);
    if yi == 1
        p1 = p1 + 1/(sqrt(2*pi)*h) * exp(-(test_data - xi)^2/(2*h^2));
    else
        p0 = p0 + 1/(sqrt(2*pi)*h) * exp(-(test_data - xi)^2/(2*h^2));
    end
end

% 输出结果
if p1 > p0
    disp('属于类别1');
else
    disp('属于类别0');
end

上述代码首先定义了训练样本和测试样本，然后设置了窗口大小`h`。接着使用循环遍历训练样本，计算每个样本对测试样本的贡献，并根据样本所属的类别累计概率密度。最后判断测试样本属于哪个类别，并输出结果。

相关问题

请写一段使用Parzen窗函数法对训练样本估计概率密度的matlab代码

假设训练样本为一个列向量数组X，带权重的Parzen窗口函数为g，窗口宽度为h，则Parzen窗函数法的概率密度估计可以用以下matlab代码实现：

function [p, x] = parzen(X, g, h)
% X为列向量数组，g为带权重的窗口函数，h为窗口宽度
% p为概率密度估计结果，x为概率密度估计点
n = length(X);
x = linspace(min(X), max(X), 100); % 生成100个概率密度估计点
p = zeros(size(x)); % 初始化概率密度估计结果
for i = 1:length(x)
for j = 1:n
p(i) = p(i) + g((x(i)-X(j))/h); % 累加每个样本的窗口函数贡献
end
p(i) = p(i) / (n*h); % 计算概率密度估计结果
end
end

例如，假设训练样本为一个长度为100的列向量，带权重的窗口函数为高斯函数，窗口宽度为0.1，则可以使用以下代码进行概率密度估计：

X = randn(100, 1); % 生成100个标准正态分布样本
g = @(x) exp(-0.5*x.^2) / sqrt(2*pi); % 定义带权重的高斯窗口函数
h = 0.1; % 窗口宽度
[p, x] = parzen(X, g, h); % 进行概率密度估计
plot(x, p); % 绘制概率密度估计结果

使用parzen窗法对iris数据进行概率密度估计Python完整代码

Parzen窗（也称为Parzen-Rosenblatt窗函数）是一种常用的非参数概率密度估计方法，在机器学习和统计中常用于估计连续随机变量的概率分布。下面是一个使用Python的`scipy`库中的`kdeplot`函数（基于核密度估计，其实现底层包含了Parzen窗的思想）来对Iris数据集进行概率密度估计的示例：

from sklearn.datasets import load_iris
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import kde

# 加载Iris数据
iris = load_iris()
X = iris.data[:, :2]  # 我们只取前两个特征进行可视化

# 创建KDE对象
density = kde.gaussian_kde(X)

# 计算并绘制数据点的概率密度
grid = np.mgrid[iris.data[:, 0].min():iris.data[:, 0].max():100j,
                iris.data[:, 1].min():iris.data[:, 1].max():100j]
positions = grid.reshape(2, -1).T
prob_density = density(positions)

# 绘制PDF
plt.figure(figsize=(6, 4))
plt.contourf(grid[0], grid[1], prob_density, cmap='Blues', alpha=0.8)
plt.scatter(X[:, 0], X[:, 1], c='black', s=50, edgecolor='white')
plt.xlabel(iris.feature_names[0])
plt.ylabel(iris.feature_names[1])
plt.title('Probability Density Estimation with Parzen Window on Iris Data')
plt.colorbar(label='Density')
plt.show()