[고급인공지능 HW1 -- 데이터 생성과 확률밀도함수 추정 및 베이즈 분류]

소개글

[고급인공지능 HW1 -- 데이터 생성과 확률밀도함수 추정 및 베이즈 분류]에 대한 보고서 자료입니다.

목차

1. 서로 다른 평균과 공분산행렬을 가지는 세 개의 클래스를 정의하여, 각 클래스로부터 100개씩 데이터를 생성하고, 데이터 분포를 2차원 평면에 표시하시오. (평균과 공분산은 각자 정하되, 다양한 형태로 시도해 볼 것)

2. 1에서 생성한 각 데이터 클래스에 대해 그 분포를 모수적방법과 비모수적 방법을 이용하여 추정하시오.

3. 1과 같은 분포를 따르는 테스트 데이터 집합을 각 클래스별로 10000개씩 생성하고, 2차원 평면상에 그려보시오.

본문내용

(X(i,:)-M(j,:))';
d3(j,1) = (X(i,:)-M(j,:))*inv(reshape(S(:,:,j),2,2))*(X(i,:)-M(j,:))';
end
[min1v, min1i] = min(d1);
if (min1i~=k) Etrain(1,1) = Etrain(1,1)+1;
end
[min2v, min2i] = min(d2);
if (min2i~=k) Etrain(2,1) = Etrain(2,1)+1;
end
[min3v, min3i] = min(d3);
if (min3i~=k) Etrain(3,1) = Etrain(3,1)+1;
end
end
end
Error_rate = Etrain/N
*소스코드(오차(테스트 데이터))
load data_3
K = 3;
M = [mean(X1);mean(X2);mean(X3)];
S(:,:,1) = cov(X1);
S(:,:,2) = cov(X2);
S(:,:,3) = cov(X3);
smean = (cov(X1)+cov(X2)+cov(X3))/3;
Dtrain = [X1;X2;X3];
Etrain = zeros(3,1);
N = size(X1,1);
for k = 1:3
X = Dtrain((k-1)*10000+1:k*10000,:);
for i = 1:N
for j=1:3
d1(j,1) = (X(i,:)-M(j,:))*(X(i,:)-M(j,:))';
d2(j,1) = (X(i,:)-M(j,:))*inv(smean)*(X(i,:)-M(j,:))';
d3(j,1) = (X(i,:)-M(j,:))*inv(reshape(S(:,:,j),2,2))*(X(i,:)-M(j,:))';
end
[min1v, min1i] = min(d1);
if (min1i~=k) Etrain(1,1) = Etrain(1,1)+1;
end
[min2v, min2i] = min(d2);
if (min2i~=k) Etrain(2,1) = Etrain(2,1)+1;
end
[min3v, min3i] = min(d3);
if (min3i~=k) Etrain(3,1) = Etrain(3,1)+1;
end
end
end
Error_rate = Etrain/N
결정규칙
단위 공분산행렬
모든클래스 동일한 공분산행렬
일반적인 공분산행렬
오차(학습 데이터)
7.8%
6.1%
5.8%
오차(테스트 데이터)
6.87%
6.31%
6.32%
단위 공분산행렬
모든 클래스 동일한
공분산 행렬
일반적인 공분산행렬

키워드

고급인공지능,   HW1,   데이터 생성,   모수적방법,   비모수적 방법,   확률밀도함수,   데이터 클래스,   베이즈