04 hh贝叶斯决策理论.ppt

  1. 1、本文档共74页,可阅读全部内容。
  2. 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
04 hh贝叶斯决策理论

⒉决策面方程 各决策域Ri被决策面所分割,这些决策面是特征空间中的超曲面,相邻的两个决策域在决策面上其判别函数值是相等的,如图2-5所示。如果Ri和Rj是相邻的,则分割它们的决策面方程应满足 gi(x)= gj(x) 2.2.6 分类器、判别函数及判定面 ㈠多类情况 图2.5 (a)一维情况决策面为分界点 p(x|ω1)P(ω1) p(x|ω2)P(ω2) p(x|ω3)P(ω3) x R1 R3 R2 R3 决策边界 2.2.6 分类器、判别函数及判定面 ⒉决策面方程 ㈠多类情况 2.2.6 分类器、判别函数及判定面 ⒉决策面方程 ㈠多类情况 图2-6在这个二维的两类问题的分类器中,概率密度为高斯分布,判决边界由两个 双曲线构成,因此判决区域R2并非是简单 的连通的。椭圆轮廓线标记出1/e乘以概 率密度的峰值 ⒊分类器设计 分类器可看成是由硬件或软件组成的一个“机器”。 它的功能是先计算出c个判别函数gi,再从中选出对应于判别函数为最大值的类作为决策结果,下图用框图形式表示了这种分类器。 很多由软件组成的分类器已经模块化。 2.2.6 分类器、判别函数及判定面 ㈠多类情况 2.2.6 分类器、判别函数及判定面 ⒊分类器设计 ㈠多类情况 分类器的网络结构 ㈡两类问题 ⒈判别函数 在两类情况下。仅定义一个判别函数 g(x)=g1(x)-g2(x) 并将决策规则表示为 如果 g(x)0,则决策ω1;g(x)0,则决策ω2。显然,可定义出如下的判别函数: ⑴ g(x)=P(ω1|x)-P(ω2|x) ⑵ g(x)=p(x|ω1 )P(ω1)-p(x|ω2)P(ω2) ⑶ 2.2.6 分类器、判别函数及判定面 ⒉决策面方程 决策面方程 g(x)=0 相应于前面 (2)的决策面方程为 p(x|ω1)P(ω1)-p(x|ω2 )P(ω2)=0 其它可类似得出。 2.2.6 分类器、判别函数及判定面 ㈡两类问题 ⒊分类器设计 两类分类器可看作只是计算判别函数g(x)的一个机器。它根据计算结果的符号将x分类,其结构框图如2.7所示。 判别计算 阈值单元 g x1 x2 xd + 1 ω1 -1 ω2 决策 图 2.7 +1 -1 2.2.6 分类器、判别函数及判定面 ㈡两类问题 例2.3 对例2.1,2.2分别写出其判别函数和决策面方程。 解: ⑴对例2.1利用前面式中的(2) g(x)=p(x|ω1 )P(ω1)-p(x|ω2)P(ω2) 其对应的判别函数为 g(x)=0.9p(x|ω1 )-0.1p(x|ω2 ) 决策面方程为g(x)=0即 9p(x|ω1)-p(x|ω2)=0 2.2.6 分类器、判别函数及判定面 ⑵对例2.2,判别函数可定义为 故其判别函数为 而 g(x)=0.9p(x|ω1)-0.6p(x|ω2 ) 决策面方程为g(x)=0即 9p(x|ω1)-6p(x|ω2 )=0 2.2.6 分类器、判别函数及判定面 练习题 答案 练习 P 134 书中的例子,变换参数取值后,重新计算最小风险决策 * 图2-3图2-1所示的分布的似然比p(x|ω1)/p(x|ω2)。如果引入一个0-1损失或分类损失,那么判决边界将由阈值θω决定;而如果损失函数对将模式ω2判为ω1的惩罚大于反过来的情况(即λ21 λ12)。将得到较大的阈值θb,使得R1变小 * 其中R1是类别ω1的决策域,R2是类别ω2的决策域,而R1+R2=R,R为整个特征空间,即决策是把整个特征空间分割成不相交的二个区域R1和R2,若被识别样本x落入到R1则就判定为属于ω1类,反之则属于ω2类。 * * * 其中R1是类别ω1的决策域,R2是类别ω2的决策域,而R1+R2=R,R为整个特征空间,即决策是把整个特征空间分割成不相交的二个区域R1和R2,若被识别样本x落入到R1则就判定为属于ω1类,反之则属于ω2类。 * * 2.2.2基于最小风险的贝叶斯决策 x: feature vector (d×1) x = [x1,x2,…,xd]T 状态空间states (classes) Ω由c个自然状态(c类)组成。 Ω={ω1,ω2,…ωc} actions (allows possibility of rejection) A ={ , ,… } loss for taking action i for state j 2.2 几种常用的决策规则 2.2.2基于最小风险的贝叶斯决策 根据贝叶斯公式,后验概率为 其中 2.2.2基于最小风险的贝叶斯决策 对于给定的x如果采取决策 ,从决策表可见,对应于决策 , 可以在c

文档评论(0)

sd44055 + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档