实验二 感知器准则与Fisher算法实验1、【实验目的】贝叶斯分类方法是基于后验概率的大小进行分类的方法，有时需要进行概率密度函数的估计,而概率密度函数的估计通常需要大量样本才能进行，随着特征空间维数的增加，这种估计所需要的样本数急剧增加，使计算量大增。 在实际问题中，人们可以不去估计概率密度，而直接通过与样本和类别标号有关的判别函数来直接将未知样本进行分类。这种思路就是判别函数法，最简单的判别函数是线性判别函数。采用判别函数法的关键在于利用样本找到判别函数的系数，模式识别课程中的感知器算法是一种求解判别函数系数的有效方法。本实验的目的是通过编制程序，实现感知器准则算法，并实现线性可分样本的分类。本实验通过编制程序让初学者能够体会Fisher线性判别的基本思路，理解线性判别的基本思想，掌握 Fisher 线性判别问题的实质。2、实验内容1实验所用样本数据如表2-1 给出（其中每个样本空间（数据）为两维，x 1 表示第一维的值、x 2 表示第二维的值），编制程序实现 1、 2 类 2、 3类的分类。分析分类器算法的性能。
