基于身高和拃長數據的性別分類研究

王澤昕陜西省商洛中學

基于身高和拃長數據的性別分類研究

王澤昕
陜西省商洛中學

本文以身高和拃長②數據為特征，對男女性別進行分類，采用的分類方法為最小錯誤率貝葉斯決策。本文統計了樣本數為25時的決策分類詳細結果，并研究了樣本數為5～50時錯誤率的變化趨勢。研究結果表明，以身高和拃長數據為特征時，能夠較為有效地區(qū)分出男女性別，且當訓練集樣本數量逐漸增大時，錯誤率顯現出逐漸減小的趨勢。

性別分類；模式識別；貝葉斯決策；Matlab編程

1.引言

模式識別（也稱模式分類）是指對表征事物或現象的各種形式的（數值的、文字的和邏輯關系的）信息進行處理和分析，以對事物或現象進行描述、辨認、分類和解釋的過程，是信息科學和人工智能的重要組成部分，被廣泛運用與文字識別、語音識別、指紋識別、遙感、醫(yī)學診斷等領域。

性別分類是模式識別領域中廣受關注的一個問題，它能體現男女性別在某些方面的差異，為人體生理學和心理學等方面研究提供理論基礎和數據支持。目前，已有學者進行了人臉特征性別分類［1］［2］、社交媒體使用習慣的性別分類［3］、觸覺經驗性別分類［4］、基于語音的性別分類［5］、基于頭發(fā)信息的性別分類［6］、基于步態(tài)的性別分類［7］等。

本論文將研究利用人體某些數值型的生理數據（身高與手掌長度）進行分類，以探索出性別分類的簡易、方便的模型和方法，同時加深人們對男女性別與生理特征之間的關系的理解。模式識別包含許多種分類方法，能夠對許多領域的問題進行數據處理和分析。本課題采用最小錯誤率貝葉斯決策方法，以人體的身高和拃長數據為特征，對數據集進行性別分類。本課題的特征數據易于搜集和處理，且分類錯誤率較低，有力地體現了男女性別在這兩種體征上的差異性。

2.分類方法介紹

分類可以看成一種決策過程，也即我們根據對樣本的觀測做出其應歸屬哪一類的決策［8］。我們采用的分類方法為最小錯誤率貝葉斯決策。下面我們將詳細介紹最小錯誤率貝葉斯決策的決策原理。

在這里，我們僅討論兩類的情況：記類別為ω1和ω2，假設現在我們已知數據的特征x，用P（ω1|x）和P（ω2|x）分別表示此時兩類的后驗概率。所謂后驗概率，是指某事件已經發(fā)生，要求該事件發(fā)生的原因是由某個因素引起的可能性的大小。例如，此處的P（ω1|x）和P（ω2|x）分別表示，在已知我們觀測到數據特征為x時，造成我們觀測到特征為x的原因分別是由于該數據屬于ω1和ω2的概率。

根據貝葉斯公式，我們可以將P（ωi|x）（i=1，2）表示為：

其中P（ωi）（i=1，2）為ω1和ω2這兩類的先驗概率。所謂先驗概率，就是在事件還沒有發(fā)生，要求這件事情發(fā)生的可能性的大小。在此處，先驗概率P（ωi）（i=1，2）是指我們還沒有開始進行觀測樣本時，ω1類和ω2類的概率。通常可以用預先知道的知識（例如ω1類和ω2類的數量占比）來得到。

在一般的模式識別問題中，我們往往希望盡量減少分類的錯誤率，即目標是追求最小錯誤率。從這一目標要求出發(fā)，利用（2-1）中的貝葉斯公式就能得出使得錯誤率最小的分類決策，稱之為最小錯誤率貝葉斯決策。最小錯誤率貝葉斯決策可描述為：

P（x|ωi）（i=1，2）的具體值可由訓練集數據在一定分布假設下求得。通常我們可認為人群中的身高和拃長分布滿足正態(tài)分布，雙變量正態(tài)分布聯合概率密度函數公式為如下：

其中-∞＜x，y＜+∞；-∞＜μ1，μ2＜+∞；σ1，σ2＞0；-1≤ρ≤1。其中μ1，μ2分別為x和y的均值，σ12，σ22分別為x和y的方差，ρ為x 和y的相關系數。

3.研究方案設計

3.1數據集說明

本課題所采用的數據集來自于賓夕法尼亞州立大學Mind on Statistic公開數據庫①。該數據集包含167名大學生的身高（單位：英寸）與拃長數據（單位：厘米），其中女性89名，男性78名。

我們在數據集中隨機挑選一定數目的數據作為訓練集（訓練集中男女性別數量一致），而測試集為整個原始數據集。我們首先選取了樣本數為25的訓練集，對最小錯誤率貝葉斯分類器進行訓練，得到參數。為了研究訓練集大小對分類效果的影響，我們研究并記錄了訓練集大小為5～50的情況下分類錯誤率，并繪制了錯誤率隨訓練集大小變化的趨勢圖，具體結果見第4章。

3.2整體錯誤率的計算

整體錯誤率的計算公式如下：

也即整體錯誤率是各類錯誤率的加權平均和，各類的錯誤率的權重即為該類的先驗概率。其中P（ω1）和P（ω2）分別代表ω1類和ω2類的先驗概率，e1和e2分別代表ω1類和ω2類的分類錯誤率。e1與e2的計算公式如下：

3.3仿真環(huán)境介紹

在本課題中，我們采用MATLAB作為仿真環(huán)境。MATLAB是美國Math Works公司出品的商業(yè)數學軟件，在數值計算方面具有強大的能力，被廣大科研人員和工程技術人員所采用。我們主要用MATLAB的m文件編程功能來進行數據的預處理、最小錯誤率貝葉斯分類器的建立以及決策分類過程的實現。

3.4 MATLAB程序設計框架

本課題的MATLAB程序設計思路及流程如下：

（1）數據預處理。首先將公開數據集導入到Excel表格中，然后利用MATLAB的m文件編寫讀取數據的函數，將數據讀取到MATLAB工作空間中。

（2）設定訓練樣本數量，從數據集中隨機選取一定數目的樣本作為訓練集。根據訓練樣本計算公式（2-3）中的μ1，μ2，σ12，σ22，ρ，以便后續(xù)建立最小錯誤率貝葉斯分類器。

（3）根據（2）中計算結果，結合（2-3）可得P（x|ωi）（i=1，2）的表達式，并結合（2-2）建立最小錯誤率貝葉斯分類器。

（4）利用（3）中建立的最小錯誤率貝葉斯分類器，對測試集每個樣本進行決策分類，決策分類的依據為（2-2）。

（5）利用公式（3-2）和公式（3-3）計算ω1類和ω2類的錯誤率，并利用公式（3-1）計算整體錯誤率，以判斷決策效果。先驗概率P （ω1）和P（ω2）均取0.5，即默認男女比例為1:1。這和我們的日常生活經驗是一致的。

（6）改變樣本大小，將樣本大小從5取到50，分別統計不同樣本大小下的的整體錯誤率。

4.決策分類結果

我們采用Matlab建立最小錯誤率貝葉斯分類器，首先在樣本大小為25的情況下進行決策分類。決策分類中間過程參數值及最終錯誤率見表4.1。

表4.1　樣本數為25時的決策分類結果記錄表

接下來，我們對訓練集大小為5～50的情況進行了分類，共計46次分類實驗。為了減小數據隨機噪聲的影響，在每次分類實驗中，我們進行了共計10次測試，并統計每次測試的錯誤率，而后求取平均值，作為最終的錯誤率。46次實驗對應的錯誤率與訓練集大小之間的關系記錄如表4.2，變化趨勢圖如圖4.1：

表4.2　樣本數為5～50時的決策分類結果記錄表

由表4.2和圖4.1可見，分類錯誤率隨著訓練集的增大有減小的趨勢。

5.總結

性別分類是模式識別領域中廣受關注的一個問題，它能體現男女性別在某些方面的差異，為人體生理學和心理學等方面研究提供理論基礎和數據支持。本文采用最小錯誤率貝葉斯決策方法，利用賓夕法尼亞州立大學Mind on Statistic公開數據庫的數據集，對身高和拃長數據集進行性別分類。本課題的算法實現相對簡單，且數據易于搜集和處理，分類結果較為明顯。同時，我們發(fā)現，分類錯誤率隨著訓練集的增大有減小的趨勢，說明在有條件的情況下應選取盡可能多的數據作為訓練集。

注釋：

①Data Sets for Mind on Statistics（Utts and Heckard）:http:// sites.stat.psu.edu/～rho/mindon/readme.htm l

②拃長：指一個人張開大姆指和中指（或小指）兩端的距離。

［1］趙海英，楊一帆，徐正光.基于多角度LBP特征的三維人臉性別分類［J］.自動化學報，2012，09:1544-1549.

［2］武勃，艾海舟，肖習攀，徐光祐.人臉的性別分類［J］.計算機研究與發(fā)展，2003，11:1546-1553.

［3］王晶晶，李壽山，黃磊.中文微博用戶性別分類方法研究［J］.中文信息學報，2014，06:150-155+168.

［4］崔倩，葉浩生.觸覺經驗對性別分類的影響:具身的視角［J］.廣州大學學報（社會科學版），2013，03:41-45.

［5］高原.基于性別分類的說話人識別研究［D］.江蘇師范大學，2012.

［6］劉爽，謝金融，呂寶糧.基于頭發(fā)信息的性別分類［J］.計算機仿真，2009，02:212-216.

［7］余美霞.基于步態(tài)的性別分類研究［D］.北方工業(yè)大學，2013.

［8］張學工.模式識別［M］.第三版.北京:清華大學出版社，2010:13-13.

王澤昕（1999-），男，漢族，陜西省商洛人，就讀于陜西省商洛中學，高中在讀，研究方向機械自動化與智能系統。