使用PCA、NMF和HOG特征，分别配以KNN（k=1,3,5）和SVM两类分类器，实现对交通标志的分类（包括对其余类的拒识）（Matlab完整源码和数据） PCA_KNN : PCA + KNN PCA_SVM : PCA + SVM NMF_KNN : NMF + KNN NMF_SVM : NMF + SVM HOG_KNN : HOG + KNN HOG_SVM : HOG + SVM

使用贝叶斯分类器进行判断文章类别，其中使用了斯密斯smoothing方法，课程作业，自己编写的matlab源码，直接运行BayesClassifier即可，由于数据量庞大，大概需要运行1分钟左右

通过iris.txt的训练，再利用test.txt进行测试

最小风险贝叶斯和最小错误贝叶斯对细胞进行分类。 现有一系列待观察的细胞，其观察值为 x ：-3.9847 -3.5549 -1.2401 -0.9780 -0.7932 -2.8531 -2.7605 -3.7287 -3.5414 -2.2692 -3.4549 -3.0752 -3.9934 2.8792 -0.9780 0.7932 1.1882 3.0682 -1.5799 -1.4885 -0.7431 -0.4221 -1.1186 4.2532 1.根据最小错误率贝叶斯决策，利用 Matlab 完成分类器的设计。 1）写出相应程序语句的文字说明； 2）程序设计过程中，要求有子程序的调用。 3）根据上述例题中的数据，画出后验概率的分布曲线以及分类的结果示意图。 2.根据最小风险贝叶斯决策，决策表如下。 1）请重新设计程序，画出相应的条件风险的分布曲线和分类结果,并比较两个结果。 2）在损失矩阵为 0-1 损失函数时，比较最小错误贝叶斯决策和最小风险决策的结果 是否一致。

已知两类分类问题，类别用ω1 和ω2 表示，每类的先验概率已知， P w(1)0.6，Pw(2)=0.4。这里样本向量的维数是 3 维。 ω1中数据向量 xx1=[x1, y1, z1]T，其数据点的坐标对应如下。 x1 = 0.2331 1.5207 0.6499 0.7757 1.0524 1.1974 0.2908 0.2518 0.6682 0.5622 0.9023 0.1333 -0.5431 0.9407 -0.2126 0.0507 -0.0810 0.7315 0.3345 1.0650 -0.0247 0.1043 0.3122 0.6655 0.5838 1.1653 1.2653 0.8137 -0.3399 0.5152 0.7226 -0.2015 0.4070 -0.1717 -1.0573 -0.2099 y1= 2.3385 2.1946 1.6730 1.6365 1.7844 2.0155 2.0681 2.1213 2.4797 1.5118 1.9692 1.8340 1.8704 2.29

已知有两个样本空间 1 2 和ω ω ，这些点对应的横纵坐标的分布情况是： x1=[1,2,4,1,5]; y1=[2,1,-1,-3,-3]; x2=[-2.5,-2.5,-1.5,-4,-5,-3];y2=[1,-1,5,1,-4,0]; 在二维空间样本分布图形如下所示。（plot(x1,y1,x2,y2)） 1、用 matlab 完成感知准则函数确定程序的设计。 2、请确定 sample=[(0,-3),(1,3),(-1,5),(-1,1),(0.5,6),(-3,-1),(2,-1),(0,1), (1,1),(-0.5,-0.5),( 0.5,-0.5)];属于哪个样本空间,根据数据画出分类的 结果。 3、请分析一下 ρ k 和对a(1) 于感知函数准则确定的影响，并确定当 ρ k =1/2/3 时， 相应的 k 的值，以及a(1) 不同时，k 值得变化情况。 4、根据实验结果请说明感知准则函数是否是唯一的，为什么？

有两个类别的样本 x 和 y，两类样本的分布规律服从正态分布，其均值和方差 分别为（2，2），（-2，4），每个类别里面分别有 100 个样本。可以利用下面阐述的 Matlab 程序产生上述数据。每一类的数据都是二维数据形式，若设数据格式为第一 行为横坐标，相应的下一行对应的是纵坐标请使用 k-近邻法判断下列 sample 中样本的分类情况 （-0.7303，2.1624），（1.4445，-0.1649），（-1.2587，0.9187），（1.2617，-0.2086），（0.7302， 1.6587） 1、要求用 Matlab 编程，来确定分类的情况，并以图形的方式表示出来。附 Matlab 程序以及对应程序说明。 2、分析k值的不同对分类的情况是否有影响，并把结果用图形的方式表示出来。 3、 请根据剪辑方法近邻的原理，对样本的空间进行剪辑，再确定上述样本点的 分类情况。并对两种分类结果进行分析（选作）。

行人检测分类器的训练，训练完可测试效果如何，注意样本的路径问题 行人检测分类器的训练，训练完可测试效果如何，注意样本的路径问题

这是RNN LSTM实战--人名分类器所用的data，该实战已经在Blog中按步骤记录，欢迎大家下载这个数据集。

资源包含贝叶斯分类器学习报告、实验报告、matlab代码程序，供机器学习初学者学习使用。以身高或者体重数据作为特征，在正态分布假设下利用贝叶斯估计法估计分布密度参数，建立最小错误率Bayes分类器。