自己計劃實現一遍模式識別里的內容。

Parzen窗估計是非參數估計。我在非參數技術——Parzen窗估計方法文章和非參數估計-Parzen窗口函數法文章里面整理出了算法基本過程：利用第一篇博客給出的樣本數據對給定的數據進行分類。分類的方法就是根據公式分別求出對于三個類的數值。公式是

求出來數值之后，比較大小，給定數據屬于數值較大的一類。運算通過numpy包實現，通過循環得出數值，進行比較。

代碼實現如下，計算的結果和非參數技術——Parzen窗估計方法文中給的內容基本一致。

import numpy as np

import matplotlib.pyplot as plt

from mpl_toolkits.mplot3d import Axes3D

# parzen窗法

# 原始數據

# w1

data1=[[0.28,1.31,-6.2],

[0.07,0.58,-0.78],

[1.54,2.01,-1.63],

[-0.44,1.18,-4.32],

[-0.81,0.21,5.73],

[1.52,3.16,2.77],

[2.20,2.42,-0.19],

[0.91,1.94,6.21],

[0.65,1.93,4.38],

[-0.26,0.82,-0.96]

]

w1=np.mat(data1)

# w2

data2=[[0.011,1.03,-0.21],

[1.27,1.28,0.08],

[0.13,3.12,0.16],

[-0.21,1.23,-0.11],

[-2.18,1.39,-0.19],

[0.34,1.96,-0.16],

[-1.38,0.94,0.45],

[-0.12,0.82,0.17],

[-1.44,2.31,0.14],

[0.26,1.94,0.08]

]

w2=np.mat(data2)

# w3

data3=[[1.36,2.17,0.14],

[1.41,1.45,-0.38],

[1.22,0.99,0.69],

[2.46,2.19,1.31],

[0.68,0.79,0.87],

[2.51,3.22,1.35],

[0.60,2.44,0.92],

[0.64,0.13,0.97],

[0.85,0.58,0.99],

[0.66,0.51,0.88]

]

w3=np.mat(data3)

#得到Φ函數的結果

# 要是用np.mat創建矩陣，np.array是不行的，是數組沒有轉置

def get_phi(x, xi, h):

x = np.mat(x)

xi = np.mat(xi)

phi = np.exp(-(x - xi) * (x - xi).T / (2 * h * h))

return phi

# 整體公式的算數

def get_px(x, xi, h):

phi = 0

n = len(xi)

for i in range(n):

# print("xi[i]", xi[i])

phi += get_phi(x, xi[i], h)

px = phi / ( n * np.power(h, 3))

return px

# 利用parzen窗判斷目標數據屬于哪個類

def parzen(h, test):

# 數組用來比較結果屬于哪一類

px = [0, 0, 0]

# h的取值

print("h =", h)

px[0] = get_px(test,w1,h)

px[1] = get_px(test, w2, h)

px[2] = get_px(test, w3, h)

# 輸出一下計算結果，用來和已知內容比較

print("w1",px[0])

print("w2",px[1])

print("w3",px[2])

# 加一個plt的圖形展示，可以顯示已經有的點和分類的點，正好自己不熟悉，練習一下

fig = plt.figure()

ax = fig.add_subplot(111, projection='3d')

ax.scatter(w1[:, 0], w1[:, 1], w1[:, 2], s=20, c='r')

ax.scatter(w2[:, 0], w2[:, 1], w2[:, 2], s=20, c='g')

ax.scatter(w3[:, 0], w3[:, 1], w3[:, 2], s=20, c='y')

if px[0] > px[1] :

if px[0] > px[2] :

print("屬于第一類")

ax.scatter(test[0], test[1], test[2], s=50, c='r')

else :

print("屬于第三類")

ax.scatter(test[0], test[1], test[2], s=50, c='y')

else :

if px[1] > px[2]:

print("屬于第二類")

ax.scatter(test[0], test[1], test[2], s=50, c='g')

else:

print("屬于第三類")

ax.scatter(test[0], test[1], test[2], s=50, c='y')

# xyz軸的名稱

ax.set_xlabel('X ')

ax.set_ylabel('Y ')

ax.set_zlabel('Z ')

# 標題名稱，有變量，向string一樣%s處理

plt.title("h=%s"%h)

plt.show()

# 計算

def main():

# 數組分別為 [0.5, 1.0, 0.0] [0.31, 1.51, -0.50] [-0.3, 0.44, -0.1]

# 切換test的數組內容可以測試每一個數據

test=[0.31, 1.51, -0.50]

h1 = 1

h2 = 0.1

parzen(h1, test)

parzen(h2, test)

# 入口

if __name__ == '__main__':

main()

除了利用parzen窗判斷目標數據屬于哪個類，還把這些點和目標點用pyplot展示了一下，目標點會放大效果如下

總結

以上是生活随笔為你收集整理的parzen窗估计如何进行结果分析_实现一下模式识别（一）Parzen窗估计的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。