用身高和体重数据进行性别分类的实验报告

用身高和体重数据进行性别分类的实验报告（二）一、基本要求1、试验非参数估计，体会与参数估计在适用情况、估计结果方面的异同。

2、试验直接设计线性分类器的方法，与基于概率密度估计的贝叶斯分类器进行比较。

3、体会留一法估计错误率的方法和结果。

二、具体做法1、在第一次实验中，挑选一次用身高作为特征，并且先验概率分别为男生0.5，女生0.5的情况。

改用Parzen 窗法或者k n 近邻法估计概率密度函数，得出贝叶斯分类器，对测试样本进行测试，比较与参数估计基础上得到的分类器和分类性能的差别。

2、同时采用身高和体重数据作为特征，用Fisher 线性判别方法求分类器，将该分类器应用到训练和测试样本，考察训练和测试错误情况。

将训练样本和求得的决策边界画到图上，同时把以往用Bayes 方法求得的分类器也画到图上，比较结果的异同。

3、选择上述或以前实验的任意一种方法，用留一法在训练集上估计错误率，与在测试集上得到的错误率进行比较。

三、原理简述及程序框图1、挑选身高(身高与体重)为特征，选择先验概率为男生0.5女生0.5的一组用Parzen 窗法来求概率密度函数，再用贝叶斯分类器进行分类。

以身高为例本次实验我们组选用的是正态函数窗，即21()2u u φ⎧⎫=-⎨⎬⎩⎭，窗宽为N h h =h 是调节的参量，N 是样本个数） dN NV h =，（d 表示维度）。

因为区域是一维的，所以体积为N n V h =。

Parzen 公式为()ˆN P x =111N i i N N x x N V h φ=⎛⎫- ⎪⎝⎭∑。

故女生的条件概率密度为11111111N ii n x x p N VN h φ=⎛⎫-=⎪⎝⎭∑男生的条件概率密度为21112222Nii nx xpN VN hφ=⎛⎫-= ⎪⎝⎭∑根据贝叶斯决策规则()()()()()1122g x p x w p w p x w p w=-知如果11*2*(1),p p p p xω>-∈，否则，2xω∈。

流程图如下：2、要求是同时采用身高和体重数据作为特征，用Fisher线性判别方法求分类器，将该分类器应用到训练和测试样本，考察训练和测试错误情况。

将训练样本和求得的决策边界画到图上，同时把以往用Bayes方法求得的分类器也画到图上，比较结果的异同。

说明，取男生和女生的先验概率分别为0.5,0.5。

在设计贝叶斯分类器时，首先求各类样本均值向量，及2,1,1==∑∈ixNmixiiω，然后求各个样本的来内离散度矩阵，及()()2,1,=--=∑∈imxmxs Tiwxiii，再求出样本的总类内离散度，及()()2211spspsωωω+=，根据公式()211mms-=-*ωω求出把二维X空间投影到一维Y空间的最好的投影方向。

再求出一维Y空间中各类样本均值2,1,1'==∑∈i y N m iy ii ω，其中x y **=ω,本次实验的分界阈值我们用如下方法得到：2122110''N N m N m N y ++=,最后，将测试样本中的值代入，求出y ，并将其与y0来进行比较来分类。

根据课本对Fisher 线性判别法的介绍，得到的算法流程图如下：3、选择上述或以前实验的任意一种方法，用留一法在训练集上估计错误率，与在测试集上得到的错误率进行比较。

这里我们选择Fisher 线性判别法，用留一法来估计它在训练集上的错误率，并将结果与Fisher线性判别法对测试集进行判别时得到的错误率进行比较。

具体流程图如下：四、实验结果及分析总结1、得到结果如下表以身高作为特征h=4估计方法女生先验概率男生先验概率男生错误个数女生错误个数总错误男生错误率女生错误率总错误率以身高与体重作为特征h=7分析：通过比较可知，在用最大似然估计这种参数估计方法和Parzen这种非参数估计方法来进行分类时，最大似然估计判别的错误率低。

2、得到结果如下（1）、用Fisher线性判别方法求分类器，将分类器应用到训练和测试样本上，比较其错误率判别对象男生错误个数女生错误个数总错误男生错误率女生错误率总错误率测试样本27 2 29 10.8% 4% 9.67%训练样本8 4 12 16% 8% 12%试训练样本时，其错误率较高，测试结果不好。

（2）、将训练样本和求得的决策边界画到图上先验概略为0.5,0.5从图中我们可以直观的比较出对训练样本Fisher判别比最大似然Bayes判别效果更好。

3、留一法测试结果如下：分析：用留一法在训练样本机上估计错误率时，错误率小于它在测试样本集上得到的错误率，且留一法在测试样本集上女生错误个数远低于男生错误个数。

五、体会这次实验，我们组用了接近三天的时间，首先，我们对题目要求进行认真分析，在确保对题目完全理解的基础上，开始一步一步分析，求解。

对每个小题，及其每一问，我们都经过查书，查资料，编代码这几个步骤，仔细分析每一步算法，得出流程图。

经过第一次作业的编程，本次编程我们都觉得轻松了很多，但还会出现一些细节上的错误，不过，这些在我们经过不断的调试之后都会被发现并解决。

总体而言，本次试验，让我们对Parzen窗法求类条件概率密度，以及Fisher 线性判别法都有了更大的了解。

代码:%特征是身高，先验概率为0.5、0.5时用Parzen窗法，贝叶斯分类器。

clc;clear all;[FH FW]=textread('C:\Users\xuyd\Desktop\homework\FEMALE.txt','%f%f'); [MH MW]=textread('C:\Users\xuyd\Desktop\homework\MALE.txt','%f%f');FA=[FH FW];MA=[MH MW];N1=max(size(FA));h1=7;hn1=h1/(sqrt(N1));VN1=hn1^2;N2=max(size(MA));h2=7;hn2=h2/(sqrt(N2));VN2=hn2^2;[tH tW]=textread('C:\Users\xuyd\Desktop\homework\test2.txt','%f%f%*s');X=[tH tW];[M N]=size(X);s=zeros(M,1);error=0;errorgirl=0;errorboy=0;errorrate=0;errorgirlrate=0;errorboyrate=0;girl=0;boy=0;bad=0;for k=1:MA=[X(k,1) X(k,2)];x=A;p=0.5;%p为属于女生的先验概率，则1-p为男生的先验概率pp=0;for i=1:N1fa=[FA(i,1) FA(i,2)];n=1/sqrt(2*pi)*exp(-0.5*abs((x-fa)*(x-fa)')/(hn1^2));pp=pp+n;endp1=1/VN1*pp';y1=1/N1*p1;%是女生的条件概率密度函数qq=0;for j=1:N2ma=[MA(j,1) MA(j,2)];m=1/sqrt(2*pi)*exp(-0.5*abs((x-ma)*(x-ma)')/(hn2^2));qq=m+qq;endq1=sum(1/VN2*qq');y2=1/N2*q1;%男生的概率密度函数，即其条件概率g=p*y1-(1-p)*y2;%g为判别函数if g>0if k<=50s(k,1)=0;%判为女生girl=girl+1;elseerrorboy=errorboy+1;endelseif g<0if k<=50errorgirl=errorgirl+1;elses(k,1)=1;%判为男生boy=boy+1;endelses(k,1)=-2;%不能判别是指等于0时的情况bad=bad+1;endenderrorgirlerrorboybadgirl=errorboy+girlboy=boy+errorgirlerror=errorgirl+errorboyerrorgirlrate=errorgirl/50errorboyrate=errorboy/250errorrate=error/M%用fisher线性判别法求阈值function [w,y0]=fisher(AA,BB)A=AA';B=BB';[k1,l1]=size(A);[k2,l2]=size(B);M1=sum(AA);M1=M1';M1=M1/l1;%男生均值向量M2=sum(BB);M2=M2';M2=M2/l2;%女生均值向量S1=zeros(k1,k1);%建立矩阵S2=zeros(k2,k2);for i=1:l1S1=S1+(A(:,i)-M1)*((A(:,i)-M1).');%男生的类内离散度矩阵endfor i=1:l2S2=S2+(B(:,i)-M2)*((B(:,i)-M2).');%女生的类内离散度矩阵endSw=0.5*S1+0.5*S2;%总类内离散度矩阵,先验概率0.5w=inv(Sw)*(M1-M2);%两列wT=w';%wT就是使Fisher准则函数JF（w）取极大值时的解，也就是d维X空间到1维Y空间的最好的投影方向for i=1:l1Y1(i)=wT(1,1)*A(1,i)+wT(1,2)*A(2,i);%求出二维男生样本集映射到一维时的量endfor i=1:l2Y2(i)=wT(1,1)*B(1,i)+wT(1,2)*B(2,i);%求出二维女生样本集映射到一维时的量endm1=sum(Y1)/l1;m2=sum(Y2)/l2;y0=(l1*m1+l2*m2)/(l1+l2);%%用fisher线性判别函数来判断clcclear all[filename,pathname,filterindex] = uigetfile('*.txt', '请读入男生训练集'); fileAddrs = [pathname,filename];[A1 A2]=textread(fileAddrs,'%f%f');[filename,pathname,filterindex] = uigetfile('*.txt', '请读入女生训练集'); fileAddrs = [pathname,filename];[B1 B2]=textread(fileAddrs,'%f%f');AA=[A1 A2];BB=[B1 B2];[w,y0]=fisher(AA,BB);wT=w';girl=0;boy=0;bad=0;errorgirl=0;errorboy=0;error=0;errorgirlrate=0;errorboyrate=0;errorrate=0;[filename,pathname,filterindex] = uigetfile('*.txt', '请读入测试集'); fileAddrs = [pathname,filename];[T1 T2]=textread(fileAddrs,'%f%f%*s');TT=[T1 T2];T=TT';[k3 l3]=size(T);for k=1:50y(k)=wT*T(:,k);if y(k)>y0errorgirl=errorgirl+1;else if y(k)<y0girl=girl+1;elsebad=bad+1;endendendfor k=51:300y(k)=wT*T(:,k);if y(k)>y0boy=boy+1;else if y(k)<y0errorboy=errorboy+1;elsebad=bad+1;endendenderrorgirlerrorboybadgirl=errorboy+girlboy=boy+errorgirlerror=errorgirl+errorboyerrorgirlrate=errorgirl/50errorboyrate=errorboy/250errorrate=error/l3%画图[filename,pathname,filterindex] = uigetfile('*.txt', '请读入男生训练集'); fileAddrs = [pathname,filename];[A1 A2]=textread(fileAddrs,'%f%f');[filename,pathname,filterindex] = uigetfile('*.txt', '请读入女生训练集'); fileAddrs = [pathname,filename];[B1 B2]=textread(fileAddrs,'%f%f');AA=[A1 A2];BB=[B1 B2];A=AA';B=BB';[k1,l1]=size(A);[k2,l2]=size(B);[w,y0]=fisher(AA,BB);for i=1:l1x=A(1,i);y=A(2,i);%x是身高，y是体重plot(x,y,'R.');hold onendfor i=1:l2x=B(1,i);y=B(2,i);plot(x,y,'G.');hold onenda1=min(A(1,:));%男生身高最小值a2=max(A(1,:));%男生身高最大值b1=min(B(1,:));%女生身高最小值b2=max(B(1,:));%女生身高最大值a3=min(A(2,:));%男生体重最小值a4=max(A(2,:));%男生体重最大值b3=min(B(2,:));%女生体重最小值b4=max(B(2,:));%女生体重最大值if a1<b1a=a1;elsea=b1;%a是所有人中身高最小值endif a2>b2b=a2;elseb=b2;%b是所有人中身高最大值endif a3<b3c=a3;elsec=b3;%c是所有人中体重最小值endif a4>b4d=a4;elsed=b4;%d为所有人中体重最大值endx=a:0.01:b;y=(y0-x*w(1,1))/w(2,1);plot(x,y,'B');hold on;%身高体重相关,判别测试样本%手动先验概率P1=0.5;P2=0.5;FA=A;MA=B;a=cov(FA')*(length(FA)-1)/length(FA); b=cov(MA')*(length(MA)-1)/length(MA); W1=-1/2*inv(a);W2=-1/2*inv(b);Ave1=(sum(FA')/length(FA))';Ave2=(sum(MA')/length(MA))';w1=inv(a)*Ave1;w2=inv(b)*Ave2;w10=-1/2*Ave1'*inv(a)*Ave1-1/2*log(det(a))+log(P1);w20=-1/2*Ave2'*inv(b)*Ave2-1/2*log(det(b))+log(P2);syms x ;syms y ;h=[x y]';h1=h'*W1*h+w1'*h+w10;h2=h'*W2*h+w2'*h+w20 ;h=h1-h2;ezplot(h,[130,200,30,100])%功能：应用Fisher准则判断一个身高体重二维数据的性别vector=[x;y];yy=(w.')*vector;if yy>y0value=2;%表示样本是男生elsevalue=1;%表示样本是女生end%功能：使用留一法求训练样本错误率[A1 A2]=textread('C:\Users\Administrator\Desktop\模式识别\homework\MALE.txt','%f%f');[B1 B2]=textread('C:\Users\Administrator\Desktop\模式识别\homework\FEMALE.txt','%f%f');AA=[A1 A2];BB=[B1 B2];A=AA';B=BB';m1=2;m2=2;n1=50;n2=50;tempA=zeros(m1,n1-1);count=0;for i=1:n1for j=1:(i-1)tempA(:,j)=A(:,j);endfor j=(i+1):n1tempA(:,j-1)=A(:,j);end[w,y0]=fisher((tempA.'),BB);flag=classify_CH(A(1,i),A(2,i),w,y0);if flag==1count=count+1;endendtempB=zeros(m2,n2-1);for i=1:n2for j=1:(i-1)tempB(:,j)=B(:,j);endfor j=(i+1):n2tempB(:,j-1)=B(:,j);end[w,y0]=fisher(AA,(tempB.'));flag=classify_CH(B(1,i),B(2,i),w,y0);if flag==2count=count+1;endenderror_ratio=count/(n1+n2)%使用留一法求测试样本错误率[T1 T2]=textread('C:\Users\Administrator\Desktop\模式识别\homework\test2.txt','%f%f%*s');TT=[T1 T2];T=TT';[k3 l3]=size(T);TG=zeros(2,50);TB=zeros(2,250);for i=1:50TG(:,i)=T(:,i);endfor j=51:l3TB(:,j-50)=T(:,j);endm1=2;m2=2;n1=50;n2=250;tempA=zeros(m1,n1-1);count=0;for i=1:n1for j=1:(i-1)tempA(:,j)=TG(:,j);endfor j=(i+1):n1tempA(:,j-1)=TG(:,j);end[w,y0]=fisher((tempA.'),TB');flag=classify_CH(TG(1,i),TB(2,i),w,y0);if flag==1count=count+1;endendtempB=zeros(m2,n2-1);for i=1:n2for j=1:(i-1)tempB(:,j)=TB(:,j);endfor j=(i+1):n2tempB(:,j-1)=TB(:,j);end[w,y0]=fisher(TG',(tempB.'));flag=classify_CH(TB(1,i),TB(2,i),w,y0);if flag==2count=count+1;endenderror_ratio=count/(n1+n2)。

合集下载

身材检测分析报告

身材检测分析报告1. 引言身材是指一个人的体形轮廓和身体结构的特征。

在现代社会中，人们越来越关注身材的健康与美观。

身材检测分析报告旨在通过测量和分析个体的身体数据，对其身材进行评估和分析，并提供相应的改善建议。

2. 身材测量方法2.1 体重测量体重是身材分析中最基础的指标之一。

常见的体重测量方法包括使用体重秤测量、计算BMI指数等。

2.2 身高测量身高也是身材分析中重要的指标之一。

常见的身高测量方法包括使用身高尺测量、坐姿身高测量等。

2.3 体脂率测量体脂率是衡量身体脂肪含量的指标。

通过使用皮脂测量仪或体脂秤等设备，可以快速测量出个体的体脂率。

2.4 腰围测量腰围是判断中心性肥胖的指标之一。

使用软尺或测量带，将尺子水平围绕腹部最突出的部位进行测量，得到腰围数据。

2.5 臀围测量臀围是判断脂肪在下半身分布情况的指标之一。

使用软尺或测量带，将尺子水平围绕臀部最突出的部位进行测量，得到臀围数据。

3. 身材分析通过以上测量方法获取的数据，可以进行身材分析，包括以下几个方面：3.1 BMI分析根据体重和身高数据计算出的BMI指数可以用于评估个体的体重情况。

BMI指数根据数值的范围，可以判断是否偏瘦、正常、超重、肥胖等。

3.2 体脂率分析体脂率是评估个体体脂肪含量的指标。

对于同样的体重，体脂率高的个体体脂肪含量较高，可能存在肥胖情况。

体脂率分析可以判断个体是否健康。

3.3 腰臀比分析腰臀比是判断脂肪在身体上分布情况的指标。

通过计算腰围和臀围的比值，可以评估脂肪在中心性和外周性部位的分布情况。

3.4 身材比例分析通过综合上述测量数据的分析，可以评估个体各个身体部位的比例是否协调。

身材比例分析可以指导个体针对性地进行身体塑形运动或锻炼。

4. 身材改善建议根据身材分析的结果，可提供相应的身材改善建议，包括以下几个方面：4.1 饮食建议根据个体的身材分析结果，制定合理的饮食计划。

对于BMI偏高者，建议控制热量摄入，减少高热量食物的摄入量。

用身高与体重数据进行性别分类的实验报告

（2）自行给出一个决策表，采用最小风险的Bayes决策重复上面的实验。
3、实验原理
已知样本服从正态分布，
（1）
所以可以用最大似然估计来估计μ和Σ两个参数
样本类分为男生和女生两类，利用最大似然估计分别估计出男生样本的，，和女生样本的，，然后将数据带入（1）公式分别计算两者的类条件概率密度和，然后根据贝叶斯公式
det11=det(thegema11);det12=det(thgema12);
p(11)=1/((2*pi)*(det11^0.5))*exp(-1/2*((a-u11)'/thegema11)*(a-u11));
p(12)=1/((2*pi)*(det12^0.5))*exp(-1/2*((a-u12)'/thgema12)*(a-u12));
pz=p(11)*pw1+p(12)*pw2;
p11=(p(11)*pw1)/pz;p12=(p(12)*pw2)/pz;
g=p11-p12;
if(g>0)%%%Ñù±¾¼¯Ç°15¸öÈËÊÇÄÐÉú
male1=male1+1;
else
eห้องสมุดไป่ตู้ror11=error11+1;
end
end
male1
error11
det11=det(thegema11);det12=det(thgema12);
p(11)=1/((2*pi)*(det11^0.5))*exp(-1/2*((a-u11)'/thegema11)*(a-u11));
p(12)=1/((2*pi)*(det12^0.5))*exp(-1/2*((a-u12)'/thgema12)*(a-u12));

Python与机器学习-- 身高与体重数据分析(分类器)I

linewidths=1,cmap=plt.cm.Paired)
逻辑回归：三、数据可视化：分类
Car 情报局
xcord11 = []; xcord12 = []; ycord1 = []; xcord21 = []; xcord22 = []; ycord2 = []; n = len(Y)
for i in range(n): if int(Y.values[i]) == 1: xcord11.append(X.values[i,0]); xcord12.append(X.values[i,1]); ycord1.append(Y.values[i]); else: xcord21.append(X.values[i,0]); xcord22.append(X.values[i,1]); ycord2.append(Y.values[i]);
逻辑回归：三、数据可视化：观察
import matplotlib.pyplot as plt X = df[['Height', 'Weight']] Y = df[['Gender']]
Car 情报局
plt.figure() plt.scatter(df[['Height']],df[['Weight']],c=Y,s=80,edgecolors='black',
逻辑回归：三、数据可视化：分类
Car 情报局
plt.figure()
plt.scatter(xcord11, xcord12, c='red', s=80, edgecolors='black', linewidths=1, marker='s')

有品身体测量报告

有品身体测量报告尊敬的客户：感谢您选择购买有品身体测量仪并使用我们提供的服务。

在此，我们为您提供一份详细的身体测量报告，帮助您了解自己的身体状况，制定更科学的健身计划和饮食方案。

报告结果如下：一、基本信息：姓名：XXX性别：男/女年龄：XX岁身高：XXXcm体重：XXXkg二、身材评估：根据您提供的身高和体重数据，我们得出您的BMI（Body Mass Index）为XX, 属于XX分类。

由此，我们可以推断您的健康指数：BMI < 18.5：过轻18.5 ≤ BMI < 24：正常24 ≤ BMI < 28：过重BMI ≥ 28：肥胖从身材评估的结果来看，您的身材评估指数为XX，属于XX分类。

从数据上来看，您的身材呈现出XX特征，需要针对性地采取对策，比如加强运动或者改变饮食习惯，推荐您在使用产品的同时注意身体健康。

三、肌肉评估：根据您的肌肉数据测量，我们得出您的身体肌肉量为XXXkg，超过平均值XX%。

从肌肉评估的结果来看，您的肌肉量属于XX分类。

高肌肉量可以帮助您在健身过程中更好地锻炼肌肉和塑造曲线。

四、基础代谢：根据您的身体数据，我们得出您的基础代谢值为XXX千卡/日，高于平均值XX%。

基础代谢是指在不进行任何体力活动时每日基本生命活动所需要的能力。

从基础代谢的结果来看，您的身体在休息状态时需要的卡路里更多，意味着您需要多进行锻炼以增加能量消耗。

五、骨骼评估：根据您的数据测量，我们得出您的骨量为XXXkg，超过平均值XX%。

此外，我们也对您进行了骨密度的检查，结果显示您的骨密度处于正常水平。

六、身体脂肪评估：您的身体脂肪率为XX%，属于XX分类。

从身体脂肪率的结果来看，我们可以评估您身体脂肪与非脂肪成分之比，然后根据需要使用特定的饮食和运动计划来减少体脂肪或者增加肌肉质量等。

七、身体年龄评估：根据您的身体数据测量，身体年龄为XX岁，超过实际年龄XX岁。

总结：通过本次测量，我们得出了您的身体各项指标，为您制定健身计划提供了更加全面的基础数据。

模式识别大作业

作业1 用身高和/或体重数据进行性别分类（一）基本要求：用和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。

调整特征、分类器等方面的一些因素，考察它们对分类器性能的影响，从而加深对所学内容的理解和感性认识。

具体做法：1．应用单个特征进行实验：以（a）身高或者（b）体重数据作为特征，在正态分布假设下利用最大似然法或者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，写出得到的决策规则，将该分类器应用到测试样本，考察测试错误情况。

在分类器设计时可以考察采用不同先验概率（如对, 对, 对等）进行实验，考察对决策规则和错误率的影响。

图1-先验概率:分布曲线图2-先验概率:分布曲线图3--先验概率:分布曲线图4不同先验概率的曲线有图可以看出先验概率对决策规则和错误率有很大的影响。

程序：和2．应用两个特征进行实验：同时采用身高和体重数据作为特征，分别假设二者相关或不相关（在正态分布下一定独立），在正态分布假设下估计概率密度，建立最小错误率Bayes 分类器，写出得到的决策规则，将该分类器应用到训练/测试样本，考察训练/测试错误情况。

比较相关假设和不相关假设下结果的差异。

在分类器设计时可以考察采用不同先验概率（如vs. , vs. , vs. 等）进行实验，考察对决策和错误率的影响。

训练样本female来测试图1先验概率vs. 图2先验概率vs.图3先验概率vs. 图4不同先验概率对测试样本1进行试验得图对测试样本2进行试验有图可以看出先验概率对决策规则和错误率有很大的影响。

程序和3．自行给出一个决策表，采用最小风险的Bayes决策重复上面的某个或全部实验。

W1W2W10W20close all;clear all;X=120::200; %设置采样范围及精度pw1=;pw2=; %设置先验概率sample1=textread('') %读入样本samplew1=zeros(1,length(sample1(:,1)));u1=mean(sample1(:,1));m1=std(sample1(:,1));y1=normpdf(X,u1,m1); %类条件概率分布figure(1);subplot(2,1,1);plot(X,y1);title('F身高类条件概率分布曲线');sample2=textread('') %读入样本samplew2=zeros(1,length(sample2(:,1)));u2=mean(sample2(:,1));m2=std(sample2(:,1));y2=normpdf(X,u2,m2); %类条件概率分布subplot(2,1,2);plot(X,y2);title('M身高类条件概率分布曲线');P1=pw1*y1./(pw1*y1+pw2*y2);P2=pw2*y2./(pw1*y1+pw2*y2);figure(2);subplot(2,1,1);plot(X,P1);title('F身高后验概率分布曲线');subplot(2,1,2);plot(X,P2);title('M身高后验概率分布曲线');P11=pw1*y1;P22=pw2*y2;figure(3);subplot(3,1,1);plot(X,P11);subplot(3,1,2);plot(X,P22);subplot(3,1,3);plot(X,P11,X,P22);sample=textread('all ') %读入样本[result]=bayes(sample1(:,1),sample2(:,1),pw1,pw2);%bayes分类器function [result] =bayes(sample1(:,1),sample2(:,1),pw1,pw2);error1=0;error2=0;u1=mean(sample1(:,1));m1=std(sample1(:,1));y1=normpdf(X,u1,m1); %类条件概率分布u2=mean(sample2(:,1));m2=std(sample2(:,1));y2=normpdf(X,u2,m2); %类条件概率分布P1=pw1*y1./(pw1*y1+pw2*y2);P2=pw2*y2./(pw1*y1+pw2*y2);for i = 1:50if P1(i)>P2(i)result(i)=0;pe(i)=P2(i);elseresult(i)=1;pe(i)=P1(i);endendfor i=1:50if result(k)==0error1=error1+1;else result(k)=1error2=error2+1;endendratio = error1+error2/length(sample); %识别率,百分比形式sprintf('正确识别率为%.2f%%.',ratio)作业2 用身高/体重数据进行性别分类（二）基本要求：试验直接设计线性分类器的方法，与基于概率密度估计的贝叶斯分离器进行比较。

模式识别——用身高和或体重数据进行性别分类

用身高和/或体重数据进行性别分类1、【实验目的】（1）掌握最小错误率Bayes 分类器的决策规则（2）掌握Parzen 窗法（3）掌握Fisher 线性判别方法（4）熟练运用matlab 的相关知识。

2、【实验原理】（1）、最小错误率Bayes 分类器的决策规则如果在特征空间中观察到某一个（随机）向量x = ( x 1 , x 2 ,…, x d )T，已知类别状态的先验概率为：()i P w 和类别的条件概率密度为(|)1,2,3...i P x w i c =，根据Bayes 公式得到状态的后验概率有：1(|)()(|)(|)()i i i cjjj p P P p P ωωωωω==∑x x x基本决策规则：如果1,...,(|)max (|)i j j cP P ωω==x x ，则i ω∈x ，将 x 归属后验概率最大的类别。

（2）、掌握Parzen 窗法对于被估计点X ：其估计概率密度的基本公式(x)Nk NN Np V =，设区域 R N 是以 h N 为棱长的 d 维超立方体，则立方体的体积为dNN V h =；选择一个窗函数(u)ϕ，落入该立方体的样本数为x x 1()iNNN h i k ϕ-==∑，点 x 的概率密度:x x 111(x)()Ni NNk NNN V h i Np V Nϕ-===∑其中核函数：x x 1i K(x,x )()i NNV h ϕ-=，满足的条件：i (1) K(x,x )0≥；i (2) K(x,x )dx 1=⎰。

（3）、Fisher 线性判别方法Fisher 线性判别分析的基本思想：通过寻找一个投影方向（线性变换，线性组合），将高维问题降低到一维问题来解决，并且要求变换后的一维数据具有如下性质：同类样本尽可能聚集在一起，不同类的样本尽可能地远。

Fisher 线性判别分析，就是通过给定的训练数据，确定投影方向W 和阈值y0，即确定线性判别函数，然后根据这个线性判别函数，对测试数据进行测试，得到测试数据的类别。

人体测量实验报告

人体测量实验报告
一.实验内容
时间：2011-11-28
地点：网络
实验对象：全球最性感内衣模特TOP10
实验原理：根据对模特的身高和三围的测量，与新时尚公式：
标准臀围(cm)=身高（cm）×0.54
标准胸围(cm)=身高（cm）×0.53
标准腰围(cm)=身高（cm）×0.37的比较，得出结论
实验步骤：1.依次测出模特身高、三围；
2.数据整理；
3.得出实验结论，完成实验报告；
二测量方法：
1.测量工具：网络，记录纸，笔；
2.测量时需要真实资料，以减少错误；
3.查询国籍
五实验运用
警示女孩不要过度减肥，不要追求骨感，除非你要做名模。

六实验结论：模特很高很瘦，普通女孩不应该以此作为身材标准。

学生身体素质测评报告

学生身体素质测评报告一、引言如今，学生身体素质逐渐受到社会的关注。

身体素质是一个人在体能、体型、协调性等方面的综合表现，它不仅对个人的身体健康发展有着重要影响，还与学习成绩、心理健康等方面密切相关。

本文旨在通过对学生身体素质的测评结果进行分析，以提供一些改进学生身体素质的建议。

二、方法本次测评采用了国家标准体育测试项目，包括身高、体重、肺活量、柔韧性、爆发力等项目。

参与测评的学生年龄在15-18岁之间，来自不同高中及年级。

测评数据基于多次测量结果取平均值。

三、身高与体重身高与体重是体型发育的重要指标，也是身体素质的基础。

据本次测评结果显示，参加测评的学生平均身高为170cm，平均体重为60kg。

与相应的年龄段标准相比，学生的身高体重处于正常范围内，说明学生体型发育良好。

然而，个别学生存在身高偏矮或偏胖的情况。

身高偏矮可能影响学生的运动能力和自信心，建议这部分学生加强适当的拉伸运动和骨骼发育促进食物的摄入，以促进身高的增长。

同时，对于体重偏胖的学生应注意均衡饮食，控制摄入的热量，并加强有氧运动，以促进体重的减轻。

四、肺活量肺活量是呼吸系统功能的重要指标，也是体能素质的关键之一。

根据本次测评结果显示，学生的平均肺活量为3000ml。

尽管这个数值在正常范围内，但与国家标准相比还有提高的空间。

对于肺活量较低的学生，可以通过定期进行有氧运动，如跑步、游泳等，增强肺活量的弹性。

此外，合理的呼吸训练也能有效提高肺活量。

例如，深呼吸和练习吹气等。

五、柔韧性柔韧性是身体活动范围的表现，也是保持身体灵活性的关键。

据本次测评结果显示，学生柔韧性的平均得分为80，超过了国家标准范围。

这显示学生对柔韧性的发展给予了一定的重视。

然而，我们仍然鼓励学生进一步提高柔韧性。

灵活的身体能够减少运动伤害，而柔顺的肌肉和韧带也对促进血液循环和维持正常体态有益。

学生可以进行一些柔韧性训练，如瑜伽、拉伸和舞蹈等。

六、爆发力爆发力是身体瞬间发力的能力，是运动技能的基础之一。

小胖说统计之临床试验中的描述性统计分析

小胖说统计之临床试验中的描述性统计分析The purpose of the field of statistics is to characterize a population based on the information contained in a sample taken from that population。

上述论述中，包含的三个要素是population、samples和characterization。

那么具体怎么characterization呢？无非有两种，一种就是我们所谓的descriptive statistics（描述性统计分析），一种是inferential statistics（推断性统计分析）。

具体到我们的临床试验中，描述性统计分析占到了我们最后统计分析报告的绝大部分，这是因为除了你事先有检验假设的一些终点的分析会用到推断性统计分析外，你几乎所有的人口学和基线变量的总结、疗效数据的总结、安全性数据的总结都要用到描述性统计分析。

而具体的描述性统计分析，又根据不同的数据类型有不同的描述方式，对于连续性变量来说，我们最常用到的是均数、标准差、中位数、最小值和最大值；对于分类型变量来说，主要用到的是频数表的方式即频数及百分比；对于time to event数据来说，我们则最主要基于Kaplan-Meier来进行统计描述。

此外，除了用表格的形式对临床试验数据进行描述性总结之外，我们还会用到一些figures来进行统计描述，最常见的如Line Plot，Bar Chart，Box Plot，K-M curve等。

我们在统计分析计划或研究方案中的统计分析部分，特别是在统计分析的一般原则中一般会对描述性统计分析常有以下类似的描述：对于连续型变量，将列出未缺失的受试者个数、均数、标准差、中位数、最小值和最大值。

对于分类变量，将以频数表的形式（频数和百分数）列出。

而有些比较详细的统计分析计划会对各描述性统计分析统计量的小数位数加以规定，从而使table更加标准化，当然小数位数的规定也不是绝对统一的标准，以下的例子的描述供大家参考：对于连续型变量，将列出未缺失的受试者个数、均数、标准差、中位数、最小值和最大值。

模式识别实验一报告

用身高体重数据进行性别分类实验一一.题目要求：1．用dataset1.txt 作为训练样本，用dataset2.txt 作为测试样本，采用身高和体重数据为特征，在正态分布假设下估计概率密度（只用训练样本），建立最小错误率贝叶斯分类器，写出所用的密度估计方法和得到的决策规则，将该分类器分别应用到训练集和测试集，考察训练错误率和测试错误率。

将分类器应用到dataset3 上，考察测试错误率的情况。

（在分类器设计时可以尝试采用不同先验概率，考查对决策和错误率的影响。

）2．自行给出一个决策表，采用最小风险贝叶斯决策重复上面的实验。

二.数据文件：1.dataset1.txt----- 328 个同学的身高、体重、性别数据（78 个女生、250 个男生）(datasetf1:女生、datasetm1:男生)2.dataset2.txt -----124 个同学的数据（40 女、84 男）3.dataset3.txt----- 90 个同学的数据（16 女，74 男）三.题目分析：要估计正态分布下的概率密度函数，假设身高随机变量为X，体重随机变量为Y，二维随机变量（X,Y）的联合概率密度函数是：p x,y=1122⁡{−121−ρ2[x−μ12ς12−2ρx−μ1y−μ2ς1ς2+(y−μ2)2ς22]}其中−∞<x,y<+∞;−∞<μ1,μ2<+∞;ς1,ς2>0;−1≤ρ≤1.并其μ1,μ2分别是X与Y的均值，ς12，ς22，分别是X与Y的方差，ρ是X与Y的相关系数。

运用最大似然估计求取概率密度函数，设样本集中包含N个样本，即X={x1,x2,…x N},其中x k是列向量。

根据教材中公式，令μ=（μ1,μ2）T，则μ=1 Nx kNk=1;协方差矩阵=ς12ρς1ς2ρς1ς2ς22，那么=1N（x kNk=1−μ）（x k−μ）T。

采用最小错误率贝叶斯分类器，设一个身高体重二维向量为x，女生类为ω1，男生类为ω2，决策规则如下：x∈ω1,当Pω1x）>P(ω2|x)ω2,当Pω2x）>P(ω1|x)。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。