生物信息學(xué)課程設(shè)計-- 貝葉斯算法編程實現(xiàn)

上傳人：奔*** IP屬地：河北更新時間：2024-03-01 格式：doc 頁數(shù)：18 大?。?.51MB 人氣指數(shù)：12 舉報 版權(quán)申訴

已閱讀1頁，還剩17頁未讀，繼續(xù)免費閱讀

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、　　算法課程設(shè)計報告　?。ㄋ惴ň幊虒崿F(xiàn)類）　　貝葉斯算法編程實現(xiàn)　　院系部門： 　　學(xué) 生學(xué) 號： ********

2、* 　　學(xué) 生姓名： ********* 　　指導(dǎo) 教師： ***** 　　2013年5月　　第一部分貝葉斯算法研究背景、特點與發(fā)展3

3、　1.1 貝葉斯算法研究背景3　　1.2 貝葉斯算法特點3　　1.3 貝葉斯算法發(fā)展3　　第二部分算法分析與程序流程圖設(shè)計3　　2.1、基于對問題的分析4　　2.2、基于對問題的java算法分析4</p

4、>　　2.2、程序流程圖設(shè)計5　　第三部分實現(xiàn)設(shè)計語言選擇與算法編程實現(xiàn)5　　3.1、java算法實現(xiàn)5　　第四部分程序測試與結(jié)果分析10　　4.1程序測試10　　4.2結(jié)果分析11

5、　　第五部分總結(jié)與心得體會11　　5.1總結(jié)與心得體會11　　第六部分參考文獻(xiàn)12　　6.1參考文獻(xiàn)（2個）12　　第一部分貝葉斯算法研究背景、特點與發(fā)展　　1.1

6、貝葉斯算法研究背景　　貝葉斯分類算法是統(tǒng)計學(xué)分類方法，它是一類利用概率統(tǒng)計知識進(jìn)行分類的算法。在許多場合，樸素貝葉斯(Naïve Bayes，NB)分類算法可以與決策樹和神經(jīng)網(wǎng)絡(luò)分類算法相媲美，且方法簡單、分類準(zhǔn)確率高、速度快。由于貝葉斯定理假設(shè)一個屬性值對給定類的影響?yīng)毩⒂谄渌鼘傩缘闹担思僭O(shè)在實際情況中經(jīng)常是不成立的，因此其分類準(zhǔn)確率可能會下降。為此，就出現(xiàn)了許多降低獨立性假設(shè)的

7、貝葉斯分類算法，如TAN(tree augmented Bayes network)算法。　　1.2 貝葉斯算法特點　　和決策樹模型相比，樸素貝葉斯模型發(fā)源于古典數(shù)學(xué)理論，有著堅實的數(shù)學(xué)基礎(chǔ)，以及穩(wěn)定的分類效率。同時，NBC模型所需估計的參數(shù)很少，對缺失數(shù)據(jù)不太敏感，算法也比較簡單。理論上，NBC模型與其他分類方法相比具有最小的誤差率。但是實際上并

8、非總是如此，這是因為NBC模型假設(shè)屬性之間相互獨立，這個假設(shè)在實際應(yīng)用中往往是不成立的，這給NBC模型的正確分類帶來了一定影響。在屬性個數(shù)比較多或者屬性之間相關(guān)性較大時，NBC模型的分類效率比不上決策樹模型。而在屬性相關(guān)性較小時，NBC模型的性能最為良好。　　1.3 貝葉斯算法發(fā)展　　貝葉斯分類理論有最初的樸素貝葉斯于EM算法，灰色關(guān)系繼續(xù)發(fā)展為基于

9、改進(jìn)EM的樸素貝葉斯分類理論。　　第二部分算法分析與程序流程圖設(shè)計　　2.1、基于對問題的分析　　對問題進(jìn)行分析，設(shè)X是類標(biāo)號未知的數(shù)據(jù)樣本，設(shè)H為某種假的，如數(shù)據(jù)養(yǎng)本X屬于某特定的類C。對與分類問題，希望確定P(H|X)，即給定觀測數(shù)據(jù)樣本X，假定H成立的概率。貝葉斯定理給出了如下計算P(H|X)的簡單有效

10、的方法：　　P（H|X）=P（X|H）P（H）/P（X）　　其中P（H）稱為先驗概率，P（X|H）表示假設(shè)H成立時觀查到X的概率。　　P（H|X）表示后驗概率。　　每一個樣本數(shù)據(jù)用一個n維特征向量X={x1，x2，x3，…，xn}表示，分別描述具有n個屬性A1，A1，…A

11、n的樣本的n個度量。　　假定有m個類C1，C2，…，Cm，給定一個未知數(shù)據(jù)樣本X（即沒有類編號），分類器將預(yù)測X屬性與最高后驗概率的類。也就是說，樸素貝葉斯分類將未知樣本分配給Ci（1<=i<=m），當(dāng)且僅當(dāng)P（Ci|X）>P（Cj|X），j=1，2,…m，j不等于i這樣最大的P（Ci|X）對應(yīng)的類Ci稱為最大后驗假定。　　由于P（X）

12、對于所有類是常數(shù)，只需要P（X|Ci）P（Ci）最大即可。注意假設(shè)不是等概率的，那么類的先驗概率可以用P（Ci）=si/s計算，其中si是類Ci的訓(xùn)練樣本數(shù)，而s是訓(xùn)練樣本總數(shù)。P（X|Ci）=　　2.2、基于對問題的java算法分析　　首先需要將所有的訓(xùn)練數(shù)據(jù)讀入到ArrayList<ArrayList<String>>對象集合

13、中去，其中每一條訓(xùn)練數(shù)據(jù)對應(yīng)一個ArrayList<String>對象集合。　　同理用readTestData()將測試元組讀如ArrayList<String>對象集合中去。　　下面就需要將ArrayList<ArrayList<String>>中的每一組訓(xùn)練元組按照類別屬性分開，保存到Map<St

14、ring, ArrayList<ArrayList<String>>>對象中去　　用三重for循環(huán)來計算測試元組中每一屬性所在每一個類別中概率的之積，并返回最大積所對應(yīng)的類別名稱。　　2.2、程序流程圖設(shè)計　　第三部分實現(xiàn)設(shè)計語言選擇與算法編程實現(xiàn)<

15、p>　　3.1、java算法實現(xiàn)　　package org.decimalcalculate;　　import java.math.BigDecimal;　　public class DecimalCalculate {　　private static final

16、int DEF_DIV_SCALE = 10;　　// 這個類不能實例化　　private DecimalCalculate() {　　}　　public static double add(double v1, double v2)

17、 {　　BigDecimal b1 = new BigDecimal(Double.toString(v1));　　BigDecimal b2 = new BigDecimal(Double.toString(v2));　　return b1.add(b2).doubleValue();&

18、lt;p>　　}　　public static double sub(double v1, double v2) {　　BigDecimal b1 = new BigDecimal(Double.toString(v1));　　BigDecimal b2 = new B

19、igDecimal(Double.toString(v2));　　return b1.subtract(b2).doubleValue();　　}　　public static double mul(double v1, double v2) {<

20、;p>　　BigDecimal b1 = new BigDecimal(Double.toString(v1));　　BigDecimal b2 = new BigDecimal(Double.toString(v2));　　return b1.multiply(b2).doubleValue();<

21、b>　　}　　public static double div(double v1, double v2) {　　return div(v1, v2, DEF_DIV_SCALE);　　}　　public s

22、tatic double div(double v1, double v2, int scale) {　　if (scale < 0) {　　throw new IllegalArgumentException(　　"The scale must be a positive integer or

23、zero");　　}　　BigDecimal b1 = new BigDecimal(Double.toString(v1));　　BigDecimal b2 = new BigDecimal(Double.toString(v2));<

24、;p>　　return b1.divide(b2, scale, BigDecimal.ROUND_HALF_UP).doubleValue();　　}　　public static double round(double v, int scale) {　　if (sc

25、ale < 0) {　　throw new IllegalArgumentException(　　"The scale must be a positive integer or zero");　　}　　Bi

26、gDecimal b = new BigDecimal(Double.toString(v));　　BigDecimal one = new BigDecimal("1");　　return b.divide(one, scale, BigDecimal.ROUND_HALF_UP).doubleValue();

27、　　}　　public static float convertsToFloat(double v) {　　BigDecimal b = new BigDecimal(v);　　return b.floatValue();<p

28、>　　}　　public static int convertsToInt(double v) {　　BigDecimal b = new BigDecimal(v);　　return b.intValue();

29、;　　}　　public static long convertsToLong(double v) {　　BigDecimal b = new BigDecimal(v);　　return b.longValue();　　}</

30、b>　　public static double returnMax(double v1, double v2) {　　BigDecimal b1 = new BigDecimal(v1);　　BigDecimal b2 = new BigDecimal(v2);

31、　return b1.max(b2).doubleValue();　　}　　public static double returnMin(double v1, double v2) {　　BigDecimal b1 = new BigDecimal(v1);

32、;　　BigDecimal b2 = new BigDecimal(v2);　　return b1.min(b2).doubleValue();　　}　　public static int compareTo(double v1, double v2)

33、{　　BigDecimal b1 = new BigDecimal(v1);　　BigDecimal b2 = new BigDecimal(v2);　　return b1.compareTo(b2);　　}&

34、lt;p>　　}　　package org.decimalcalculate;　　import java.io.BufferedReader;　　import java.io.IOException;　　import java.

35、io.InputStreamReader;　　import java.util.ArrayList;　　import java.util.StringTokenizer;　　import org.bayes.*;　　public class TestBayes {<

36、/p>　　public ArrayList<String> readTestData() throws IOException {　　ArrayList<String> candAttr = new ArrayList<String>();　　BufferedReader reader =

37、new BufferedReader(new InputStreamReader(　　System.in));　　String str = "";　　while (!(str = reader.readLine()).equals("")) {<

38、;p>　　StringTokenizer tokenizer = new StringTokenizer(str);　　while (tokenizer.hasMoreTokens()) {　　candAttr.add(tokenizer.nextToken());　　}

39、;　　}　　return candAttr;　　}　　public ArrayList<ArrayList<String>> readTupleData() throws

40、IOException {　　ArrayList<ArrayList<String>> datas = new ArrayList<ArrayList<String>>();　　BufferedReader reader = new BufferedReader(new InputStreamReader(

41、　　System.in));　　String str = "";　　while (!(str = reader.readLine()).equals("")) {　　StringTokenizer tokenizer = new S

42、tringTokenizer(str);　　ArrayList<String> s = new ArrayList<String>();　　while (tokenizer.hasMoreTokens()) {　　s.add(tokenizer.nextToken());

43、;　　}　　datas.add(s);　　}　　return datas;　　}　　publi

44、c static void main(String[] args) {　　TestBayes tb = new TestBayes();　　ArrayList<ArrayList<String>> datas = null;　　ArrayList<String> testT =

45、 null;　　Bayes bayes = new Bayes();　　try {　　System.out.println("請輸入訓(xùn)練數(shù)據(jù)集：");　　datas = tb.readTupleData();<

46、;/p>　　while (true) {　　System.out.println("請輸入測試元組：");　　testT = tb.readTestData();　　String c = bayes.calculateProbabilityOfClass(datas

47、, testT);　　System.out.println("The class is: " + c);　　}　　} catch (IOException e) {　　e.printStackTrace();<

48、;/p>　　}　　}　　}　　package org.bayes;　　import java.util.ArrayList;<

49、;/p>　　import java.util.HashMap;　　import java.util.Map;　　import org.decimalcalculate.*;　　public class Bayes {　　Map<Strin

50、g, ArrayList<ArrayList<String>>> accordingDateOfClassToSort(　　ArrayList<ArrayList<String>> datas) {　　Map<String, ArrayList<ArrayList<String>

51、;>> map = new HashMap<String, ArrayList<ArrayList<String>>>();　　ArrayList<String> t = null;　　String c = ""；　　for (int

52、 i = 0; i < datas.size(); i++) {　　t = datas.get(i);　　c = t.get(t.size() - 1);　　if (map.containsKey(c)) {　　map.get(c).add(t);

53、;　　} else {　　ArrayList<ArrayList<String>> nt = new ArrayList<ArrayList<String>>();　　nt.add(t);　　map.put

54、(c, nt);　　}　　}　　return map;　　}　　public String calculatePro

55、babilityOfClass(　　ArrayList<ArrayList<String>> datas, ArrayList<String> testT) {　　Map<String, ArrayList<ArrayList<String>>> doc = this</p&g

56、t;　　.accordingDateOfClassToSort(datas);　　Object classes[] = doc.keySet().toArray();　　double maxP = 0.00;　　int maxPIndex = -1;

57、　　for (int i = 0; i < doc.size(); i++) {　　String c = classes[i].toString();　　ArrayList<ArrayList<String>> d = doc.get(c);　　double pOfC = Decim

58、alCalculate.div(d.size(), datas.size(), 3);　　for (int j = 0; j < testT.size(); j++) {　　double pv = this.pOfV(d, testT.get(j), j);　　pOfC = DecimalCalculate

59、.mul(pOfC, pv);　　}　　if (pOfC > maxP) {　　maxP = pOfC;　　maxPIndex = i;　　}<

60、;/p>　　}　　return classes[maxPIndex].toString();　　}　　/**　　private d

61、ouble pOfV(ArrayList<ArrayList<String>> d, String value, int index) {　　double p = 0.00;　　int count = 0;　　int total = d.size();<p&g

62、t;　　ArrayList<String> t = null;　　for (int i = 0; i < total; i++) {　　if (d.get(i).get(index).equals(value)) {　　count++;

63、　　}　　}　　p = DecimalCalculate.div(count, total, 3);　　return p;

64、;　　}　　}　　第四部分程序測試與結(jié)果分析　　4.1程序測試　　4.2結(jié)果分析　　該截圖是

65、在測試算法時過程的截圖。運行無誤　　第五部分總結(jié)與心得體會　　5.1總結(jié)與心得體會　　該算法是貝葉斯算法，使用java語言通過對象集合保存數(shù)據(jù)再通過三重for循環(huán)實現(xiàn)的簡單樸素貝葉斯算法，該算法只是適應(yīng)于一般的情況。不足之處在于沒有進(jìn)行輸入驗證，如果輸入非法字符就會產(chǎn)生異常使程序死掉，如下圖：</p&g

眾賞文庫> 全部分類> 畢業(yè)設(shè)計

溫馨提示

1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負(fù)責(zé)。
6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請與我們聯(lián)系，我們立即糾正。
7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

生物信息學(xué)課程設(shè)計-- 貝葉斯算法編程實現(xiàn)

文檔簡介

溫馨提示

最新文檔

評論

生物信息學(xué)課程設(shè)計-- 貝葉斯算法編程實現(xiàn)

文檔簡介

溫馨提示

最新文檔

評論

免費下載