两个贝叶斯分类器的例子，分别基于最小错误率与最小风险

最近邻法，k近邻法，及最小错误率分析，快速搜索算法，压缩紧邻法，基本原理，内容及应用

matlab语言编写的实现iris数据的最小错误贝叶斯分类

用FAMALE.TXT和MALE.TXT的数据作为训练样本集，建立Bayes分类器，用测试样本数据对该分类器进行测试。实验程序加报告加数据

自己编写的，很实用的基于最小错误率的贝叶斯决策！

最简单的贝叶斯决策，已知先验概率和类条件概率密度，根据一个特征进行分类。（不是很高级的代码，但是能够帮助理解贝叶斯决策）

假定某个局部区域细胞识别中正常P(w1)和异常P（w2)两类先验概率分别为P(w1)=0.9, P(w2)=0.1现有一系列待观察的细胞，其观察值为：-2.67 -3.55 -1.24 -0.98 -0.79 -2.85 -2.76 -3.73 -3.54 -2.27 -3.45 -3.08 -1.58 -1.49 -0.74 -0.42 -1.12 4.25 -3.99 2.88 -0.98 0.79 1.19 3.07 两类的类条件概率符合正态分布p(x|w1)=(-2,1.5), p(x|w2)=(2,2).依据最小错误率的贝叶斯决策对观察的结果进行分类。

搭建一个平台，可以用鼠标手写数字，运用一种分类器对此手写数字进行识别，并对分类器性能进行评估。三次作业，分别用最小错误率贝叶斯分类器，Fisher线性分类器，人工神经网络进行识别。都采用matlab编程，前两种可在平台上手写数字并识别，人工神经网络版本的没有手写平台，能够通过程序读取图片并返回识别出的数字。包含实验报告和用来训练的数字图片。注意使用时必须修改程序中读取的文件位置。

用最小错误概率准则和Neyman-Pearson准则对随机序列进行检测估计。

基于最小错误率的Bayes分类器的MATLAB实现，程序能出判别矩阵，训练样本分布图，测试样本分布图及分类后的分布图，可以选择训练样本数目，绝对能用！！