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！

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。

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！！

模式识别实例：包括最小错误率、最小风险贝叶斯决策matlab代码，注释清楚丰富。

其中女生类别标号为0，男生类别标号为1，数据集为dataset1.txt，dataset2.txt，dataset3.txt，第一列为身高，第二列为体重，第三列为类别标号

含有三份代码，都是用matlab实现，分别是基于贝叶斯，基于朴素贝叶斯，基于最小错误率贝叶斯的手写数字识别代码。其中朴素贝叶斯用到了PCA，准确率达到95%

基于最小错误率的贝叶斯手写数字分类器，包括注释，很详尽，是自己按照定义写的，训练集和测试集是用的mnist数据集，最终正确率为73.89%