朴素贝叶斯算法matlab代码详细解释

最新推荐文章于 2026-06-19 17:00:49 发布

原创

最新推荐文章于 2026-06-19 17:00:49 发布 · 2.6k 阅读

标签

#python #算法 #机器学习

该博客详细介绍了如何使用MATLAB实现基于高斯模型的KNN(K-Nearest Neighbor)分类算法。首先从data1.xlsx文件中读取数据，然后对数据进行预处理，包括提取横坐标、纵坐标和类标签向量，以及创建训练样本矩阵。接着，计算各类样本的属性均值、方差和概率，并用这些信息进行预测。通过比较不同类别的概率，确定每个样本的预测类别，并将结果保存回Excel文件。最后，绘制预测结果的图形，并计算了分类的准确率。

T = xlsread('data1.xlsx',1,'A1 : C1628');
x = T(:,1);  %横坐标向量
y = T(:,2); %纵坐标向量
c = T(:,3); %类标签向量
data = [x,y];  %训练样本矩阵
k = 1500;  %样本数量
T1 = sortrows([x(1:k,1),y(1:k,1),c(1:k,1)],3);%为方便处理按类这一列对样本进行升序排序(整个行的变化会和这一列的变化相同)，如果是-3就是降序排列
%T1
temp = zeros(23,5);%用来存储样本中各个属性的均值, 方差和每个类的概率（一共有23类，每一类有两个特征属性，每个属性有均值和方差，那就是四个，再加概率一共五个）
%计算出样本中各个属性的均值, 方差和每个类的概率
for i = 1:23
    X = [];  Y = [];  count = 0;
    for j = 1:k
        if T1(j,3)==i
            X = [X;T1(j,1)];
            Y = [Y;T1(j,2)];
            count = count + 1;
        end
    end
    temp(i,1) = mean(X);  %计算第一个属性的均值
    temp(i,2) = std(X);   %计算第一个属性的方差
    temp(i,3) = mean(Y);  %计算第二个属性的均值
    temp(i,4) = std(Y);   %计算第二个属性的方差
    temp(i,5) = count/k;  %计算第i类别出现的概率
end
%计算预测结果
result = [];
for m = 1:1628
    pre = [];
    for n = 1:23
        PX = 1/temp(n,2)*exp(((data(m,1)-temp(n,1))^2)/-2/(temp(n,2)^2)); %计算P（xi|y=X)（这里省略了分母，并且将样本的概率分布设为正态分布）
        PY = 1/temp(n,4)*exp(((da