线性分类器设计的模式识别实验：运用Fisher准则
5星
- 浏览量: 0
- 大小:None
- 文件类型：None
简介：
本实验通过应用Fisher准则探索线性分类器的设计与优化，在模式识别领域内实现类间最大化差异和类内最小化变异的目标。
在两类分类问题中，类别分别用ω1 和 ω2 表示。每类的先验概率已知：P(w1) = 0.6, P(w2) = 0.4。样本向量为三维数据。
对于类别ω1中的数据向量xx1=[x1, y1, z1]T，其坐标值如下：
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,
...
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,
...
请注意，z值未给出。
全部评论 (0)
还没有任何评论哟~
