贝叶斯决策 学习了一个学期的模式识别课程，老师讲的很好，深入浅出，无奈我脑子不够用没有理解到其中精髓，现在整理了一下听课笔记，以备以后需要时翻阅。这篇文章记录的是贝叶斯决策，其中包括最大后验、最大似然和贝叶斯决策的直观理解和数学理论。 关于先验和后验 关于什么是先验概率和后验概率， 余生最年轻在他的博客里解释的很好。先验(Priori )概率直观上理解，所谓“先”，就是在事情之前，即在事情发生之前事情发生的概率。是根据以往经验和分析得到的概率。比如抛硬币，我们都认为正面朝上的概率是0.5，这就是一种先验概率，在抛硬币前，我们只有常识。这个时候事情还没发生，我们进行概率判断。所谓的先验概率是对事情发生可能性猜测的数学表示。 后验(Posteriori)概率直观上理解是事情已经发生了，事情发生可能有很多原因，判断事情发生时由哪个原因引起的概率。

最小错误率贝叶斯决策和最小风险贝叶斯决策matlab代码，贝叶斯决策理论方法，是统计模式识别中的一个基本方法。贝叶斯决策判据，既考虑了各类参考总体出现的概率大小，又考虑了因误判造成的损失大小，判别能力强。

实验目的： 理解贝叶斯最小错误率分类器的原理，根据实际问题，设计并实现一个最小错误率贝叶斯分类器。 实验内容： 对UCI数据库中的Iris数据集，利用贝叶斯分类器进行分类。

对三维空间特征的数据，通过最小错误率贝叶斯判别方式，对两类数据进行分类，并在空间中绘制出贝叶斯决策面

计算男女身高,非常强大的matlab编程实现贝叶斯程序，可直接使用，模式识别

为什么称为最小错误率Bayes决策？ 最小错误率Bayes决策使得每个观测值下的条件错误率最小因而保证了（平均）错误率最小。 Bayes决策是最优决策：即，能使决策错误率最小。 为什么Bayes决策是最优决策，我们还要学习这门课的其它方法？

贝叶斯决策---最小错误率法则 例子：要分类一条鱼是鲑鱼（ ）还是鲈鱼（ ）？ 如果我们只知道可能状态先验 概率的 和 ，且 则可以认为是鲑鱼。

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