感觉是个很长的坑，大概会写很久吧。内容随机，捡遇到的拦路虎写一写。
第二章主要讲贝叶斯公式和基于贝叶斯公式的分类器。
先简单说一下mvnrnd函数的使用方法
矩阵m由t个l(l=2)维列向量构成，l维表示特征向量的维数为l，每个类有l个特征值。
t(t=3)个列向量表示群体可依据特征向量分为t类。
1 m1 = [1 1]‘; 2 m2 = [7 7]‘; 3 m3 = [15 1]‘;
三维矩阵S(l,l,t)由t个l*l方阵构成，为t个类各自的协方差矩阵covariance matrix
1 S = zeros(2,2,3); 2 S(:,:,1) =[12 0 ;0 1]; 3 S(:,:,2) =[8 3 ;3 2]; 4 S(:,:,3) =[2 0 ;0 2];
mvnrnd函数输出1000*l(l=2)矩阵，两列数据均值为m1,方差与协方差为S(:,:,1)
1 xans=mvnrnd(m(:,1),S(:,:,1),1000)); 2 plot(xans(:,1)‘,xans(:,2)‘,‘o‘) 3 grid on
很明显，均值为1,1。行变量方差大，行分布稀疏，列变量方差小，列分布密集。
Pattern Recognition (Fourth Edition)读书笔记之mvnrnd函数
原文：http://www.cnblogs.com/nwpuxuezha/p/4266717.html