判别分析MATLAB实现案例.doc

%-------------------------------------------------------------------------- % 读取examp10_01.xls中数据，进行距离判别 %-------------------------------------------------------------------------- %********************************读取数据*********************************** % 读取文件examp10_01.xls的第1个工作表中C2:F51范围的数据，即全部样本数据，包括未判企业 sample = xlsread(examp10_01.xls,,C2:F51); % 读取文件examp10_01.xls的第1个工作表中C2:F47范围的数据，即已知组别的样本数据， training = xlsread(examp10_01.xls,,C2:F47); % 读取文件examp10_01.xls的第1个工作表中B2:B47范围的数据，即样本的分组信息数据， group = xlsread(examp10_01.xls,,B2:B47); obs = [1 : 50]; % 企业的编号 %**********************************距离判别********************************* % 距离判别，判别函数类型为mahalanobis，返回判别结果向量C和误判概率err [C,err] = classify(sample,training,group,mahalanobis); [obs, C] % 查看判别结果 err % 查看误判概率 %-------------------------------------------------------------------------- % 加载fisheriris.mat中数据，进行贝叶斯判别 %-------------------------------------------------------------------------- %********************************加载数据*********************************** load fisheriris % 把文件fisheriris.mat中数据导入MATLAB工作空间 %**********************************查看数据********************************* head0 = {Obj, x1, x2, x3, x4, Class}; % 设置表头 [head0; num2cell([[1:150], meas]), species] % 以元胞数组形式查看数据 %*********************************贝叶斯判别******************************** % 用meas和species作为训练样本，创建一个朴素贝叶斯分类器对象ObjBayes ObjBayes = NaiveBayes.fit(meas, species); % 利用所创建的朴素贝叶斯分类器对象对训练样本进行判别，返回判别结果pre0，pre0也是字符串元胞向量 pre0 = ObjBayes.predict(meas); % 利用confusionmat函数，并根据species和pre0创建混淆矩阵（包含总的分类信息的矩阵） [CLMat, order] = confusionmat(species, pre0); % 以元胞数组形式查看混淆矩阵 [[{From/To},order];order, num2cell(CLMat)] % 查看误判样品编号 gindex1 = grp2idx(pre0); % 根据分组变量pre0生成一个索引向量gindex1 gindex2 = grp2idx(species); % 根据分组变量species生成一个索引向量gindex2 errid = find(gindex1 ~= gindex2) % 通过对比两个索引向量，返回误判样品的观测序号向量 % 查看误判样品的误判情况 head1 = {Obj, From, To}; % 设置表头 % 用num2cell函数将误判样品的观测序号向量errid转为元胞向量，然后以元胞数组形式查看误判结果 [head1; num2cell(errid