文档介绍：、,利用C均值聚类法和层次聚类法对样本集进行聚类分析,对结果进行分析,从而加深对所学内容的理解和感性认识。,按最小距离原则将各模式分配到C类中的某一类,之后不断地计算类心和调整各模式的类别,最终使各模式到其对应的判属类别中心的距离平方之和最小。,即建立N类,之后按照以下步骤运算:Step1:计算各类之间(即各样本间)的距离,得一个维数为N×N的距离矩阵D(0)。“0”表示初始状态。Step2:假设已求得距离矩阵D(n)(n为逐次聚类合并的次数),找出D(n)中的最小元素,将其对应的两类合并为一类。由此建立新的分类:Step3:计算合并后所得到的新类别之间的距离,得D(n+1)。Step4:跳至第2步,重复计算及合并。直到满足下列条件时即可停止计算:①取距离阈值T,当D(n)的最小分量超过给定值T时,算法停止。所得即为聚类结果。②或不设阈值T,一直到将全部样本聚成一类为止,输出聚类的分级树。、:,如下表:从下表可以纵向比较可以看出,C越大,即聚类数目越多,聚类之间差别越小,他们的聚类中心也越接近。横向比较用FEMALE,MALE中数据作为样本和用FEMALE,MALE,test2中数据作为样本时,由于引入了新的样本,可以发现后者的聚类中心比前者都稍大。但是它们的分布类似,变化不大。样本C以FEMALE和MALE中得数据作为样本以FEMALE和MALE以及test2中的数据作为样本2A(,)B(,)A(,)B(,)3A(,)B(,)C(,)A(,)B(,)C(,)4A(,)B(,)C(,)D(,)A(,)B(,)C(,)D(,)5A(,)B(,)C(,)D(,)E(,)A(,)B(,)C(,)D(,)E(,)6A(,)B(,)C(,)D(,)E(,)F(,)A(,)B(,)C(,)D(,)E(,)F(,) ,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。,以两个训练样本身高数据作为特征,利用最大似然法分别算出均值的最大似然估计和方差的最大似然估计,分别带入到假设模型一维正态分布中得出类条件概率密度,通过结合不同的先验概率计算出后验概率并对test1和test2进行基于最小错误率的Bayes决策,待测样本属于后验概率较大的一方。最后考察测试错误情况及对决策和错误率的影响。