朴素贝叶斯--matlab自带工具箱的使用

朴素贝叶斯分类使用条件：其数据点的维数（即特征之间相互独立）。当属性之间相关性较小时，分类效率好；当属性之间相关性较大时，分类不如决策树。

属性之间的相关性获得：用协方差矩阵（matlab自带函数cov获得）；

1）nb=NaiveBays.fit(training,class)

     %training训练数据，N*D的矩阵,行数为数据点数，列数为维数；

                

   %class训练数据类，行数为数据点数，列数为类数；

                  

 %nb:形成的贝叶斯分类器；

2）predict_label=predict(nb,test_data);%test_data为测试数据；predict_label为预计的类型,N行1列；

3）accuracy=length(find(predict_label==test_label))/length(test_label)*100;%精确度判断

4)  post=posterior(nb,test_data);%nb为分类器，这个分类器也可以用其他拟合方式，如：gmdistribution.fit

         %test_data，测试数据，行数为数据点数，列数为维数；

        %post:  post(i,j)表示第i个数据点，属于类型j的概率；

                    

举例：文献’Discriminative Blur Detection Features'中：

         post=posterior(nb,data);

        post=mat2gray(post(:,2));

              %post的第二列为清晰类的概率，概率小的（即模糊部分）转换的灰度暗，概率大的灰度亮；

      feature（size（图像行，图像列））=reshape（post，图像行，图像列）；