朴素贝叶斯matlab源代码

matlab
% 朴素贝叶斯分类器示例

% 生成一些示例数据
data = [randn(100,2); randn(100,2)+2];
labels = [zeros(100,1); ones(100,1)];

% 将数据随机排序
idx = randperm(length(labels));
data = data(idx,:);
labels = labels(idx);

% 将数据拆分为训练集和测试集
train_data = data(1:150,:);
train_labels = labels(1:150,:);
test_data = data(151:end,:);
test_labels = labels(151:end,:);

% 训练朴素贝叶斯分类器
nb = fitcnb(train_data, train_labels);

% 对测试集进行预测
predicted_labels = predict(nb, test_data);

% 计算分类准确率
accuracy = sum(predicted_labels == test_labels) / length(test_labels);
disp(['准确率：', num2str(accuracy)]);

这个示例假设你有两个类别的数据，每个类别有 100 个样本。首先，它生成示例数据，然后将数据随机排序，并将其拆分为训练集和测试集。接下来，它使用 fitcnb 函数来训练朴素贝叶斯分类器，然后使用 predict 函数对测试集进行预测。最后，它计算分类准确率并将结果显示在命令窗口中。

matlab
% 朴素贝叶斯分类器示例

% 生成一些示例数据
data = [randn(100,2); randn(100,2)+2];
labels = [zeros(100,1); ones(100,1)];

% 将数据随机排序
idx = randperm(length(labels));
data = data(idx,:);
labels = labels(idx);

% 将数据拆分为训练集和测试集
train_data = data(1:150,:);
train_labels = labels(1:150,:);
test_data = data(151:end,:);
test_labels = labels(151:end,:);

% 计算每个类别的先验概率
prior = [sum(train_labels == 0) / length(train_labels); sum(train_labels == 1) / length(train_labels)];

% 计算每个特征的均值和标准差
mu = zeros(2, size(train_data, 2));
sigma = zeros(2, size(train_data, 2));
for i = 1:2
    mu(i, :) = mean(train_data(train_labels == (i-1), :));
    sigma(i, :) = std(train_data(train_labels == (i-1), :));
end

% 对测试集进行分类
predicted_labels = zeros(length(test_labels), 1);
for i = 1:length(test_labels)
    likelihood = zeros(2, 1);
    for j = 1:2
        likelihood(j) = prod(normpdf(test_data(i,:), mu(j,:), sigma(j,:)));
    end
    posterior = prior .* likelihood;
    [~, predicted_labels(i)] = max(posterior);
end

% 计算分类准确率
accuracy = sum(predicted_labels == test_labels) / length(test_labels);
disp(['准确率：', num2str(accuracy)]);

这个示例首先生成示例数据，然后将其随机排序并拆分为训练集和测试集。接下来，它计算每个类别的先验概率、每个特征的均值和标准差，并在测试集上执行分类。最后，它计算分类准确率并将结果显示在命令窗口中。