matlab贝叶斯分类（3）-UCI数据集通用分类器

利用matlab实现的贝叶斯分类算法，其中包含数据格式转换算法，交叉验证算法和数据集统计算法，是UCI数据集通用的分类算法，准确率达到0.9427.

clear;
clc;
%读取数据
% ex=importdata（‘test.txt‘）;  %读入文件
% X=ex.data;
% [mn]=size（ex.data）;  %数据大小
% 
% Y=zeros（m）;
% for i=1:m
%     if strcmp（ex.textdata（i）‘L‘）==1
%         Y（i）=1;
%     elseif strcmp（ex.textdata（i）‘B‘）==1
%         Y（i）=2;
%     else
%         Y（i）=3;
%     end
% end
[class attrib1 attrib2 attrib3 attrib4] = textread（‘C:\matlab2017b\my-file\beys\test.txt‘‘%s %f %f %f %f‘‘delimiter‘‘‘）; 
X = [attrib1‘; attrib2‘; attrib3‘; attrib4‘]‘; 
[mn] = size（X）;
Y = zeros（m 1）; 
Y（strcmp（class‘L‘）） = 1; 
Y（strcmp（class‘B‘）） = 2; 
Y（strcmp（class‘R‘）） = 3;

%朴素贝叶斯算法实现分类问题（三类y=1y=2y=3）
%我们把所有数字序号末尾为1的留作测试集，其他未训练集
% m=625;   %样本总数
% m1=562;  %训练集样本数量
% m2=63;  %测试集样本数量

%10折10次交叉验证
indices = crossvalind（‘Kfold‘m10）; %产生10个fold，即indices里有等比例的1-10
accuracy = 0;
for i=1:10
    test=（indices==i）; %逻辑判断，每次循环选取一个fold作为测试集
    train=~test; %取test的补集作为训练集，即剩下的9个fold
    data_train=X（train:）; %以上得到的数都为逻辑值，用与样本集的选取
    label_train=Y（train:）; %label为样本类别标签，同样选取相应的训练集
    data_test=X（test:）; %同理选取测试集的样本和标签
    label_test=Y（test:）; 
    [l1l3] = size（label_train）;
    [l2l4] = size（label_test）;
    %选取每个属性在每一类中的取值
    jj1 = 1;
    jj2 = 1;
    jj3 = 1;
    for p = 1:l1
        if label_train（p） == 1
            X1（jj1:） = data_train（p:）;
            jj1 = jj1 + 1;
        elseif label_train（p） == 2
            X2（jj2:） = data_train（p:）;
            jj2 = jj2 + 1;
        elseif label_train（p） == 3
            X3（jj3:） = data_train（p:）;
            jj3 = jj3 + 1;
        end
    end
   




    %三类样本数量分别记为count1count2count3
    count1=0;
    count2=0;
    count3=0;


    %count_1（ij）表示在第一类（y=1）的情况下，第i个属性是j的样本个数
    count_1=zeros（njj1-1）;
    %count_2（ij）表示在第二类（y=2）的情况下，第i个属性是j的样本个数
    count_2=zeros（njj2-1）;
    %count_3（ij）表示在第三类（y=3）的情况下，第i个属性是j的样本个数
    count_3=zeros（njj3-1）;


    ii=1;%用来标识测试集的序号


    for i=1:l1
            x=data_train（i:）;
            if label_train（i）==1 
                count1=count1+1;
                for j=1:n    %指示第j个属性
                    uni1 = unique（X1（:j））;
                    for k=1:length（uni1）    %第j个属性为哪个值
                        if x（j）==uni1（k）
                            count_1（jk）=count_1（jk）+1;
                            break;
                        end
                    end
                end
            elseif label_train（i）==2              
                count2=count2+1;
                for j=1:n    %指示第j个属性
                    uni2 = unique（X2（:j））;
                    for k=1:length（uni2）    %第j个属性为哪个值
                        if x（j）==uni2（k）
                            count_2（jk）=count_2（jk）+1;
                            break;
                        end
                    end
                end
            else
                count3=count3+1;
                for j=1:n    %指示第j个属性
                    uni3 = unique（X3（:j））;
                

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2018-06-07 18:54  matlab贝叶斯分类（3）-UCI数据集通用分类器\
     文件        6521  2018-06-07 18:50  matlab贝叶斯分类（3）-UCI数据集通用分类器\Copy_2_of_beys.m
     文件        4698  2018-06-06 15:48  matlab贝叶斯分类（3）-UCI数据集通用分类器\iris.txt
     文件        6873  2018-06-06 17:21  matlab贝叶斯分类（3）-UCI数据集通用分类器\test.txt