我有一个二元分类问题，需要在MATLAB中完成。数据分为两个类别，训练数据和测试数据均来自这两个类别，并且这些数据是来自高斯分布的二维坐标。

样本是二维点，类似于以下形式（A类有1000个样本，B类有1000个样本）：我在这里只列出了一些样本：

5.867766 3.8430145.019520 2.8742571.787476 4.4831564.494783 3.5515011.212243 5.9493152.216728 4.1261512.864502 3.1392451.532942 6.6696506.569531 5.0320382.552391 5.7538172.610070 4.2512351.943493 4.3262301.617939 4.948345

如果有新的测试数据进来，我应该如何对测试样本进行分类？

P(类别/测试点) 与 P(测试点/类别) * (类别的概率) 成正比。

我不知道如何计算给定二维坐标的 P(样本/类别) 变量。目前，我使用的是以下公式：

P(坐标/类别) = (坐标 – 该类别的均值) / 该类别点的标准差。

然而，使用这个公式，我的测试结果并不理想。我做错了什么吗？

回答：

这是个好方法，但公式不正确，请查看维基百科上的多元高斯分布文章：

P(测试点|类别)=，

其中 是A的行列式。

 Sigma = classPoint*classPoint'; mu = mean(classPoint,2); proba = 1/((2*pi)^(2/2)*det(Sigma)^(1/2))*...         exp(-1/2*(testPoint-mu)*inv(Sigma)*(testPoint-mu)');

在你的情况下，由于两个类别的点数量相同，P(类别)=1/2