模式识别第二章贝叶斯决策理论.ppt

可见,朴素贝叶斯分类器将此实例分类为no,将上述概率归一化,可得到朴素贝叶斯分类器分类此实例为no的概率是0.0192/(0.0069+0.0191)=0.7346思考：根据顾客的基本情况来判断其是否会买电脑给定如表所示的14个训练实例,其中每一个顾客属性age，income，student和credit-rating来描述,类属性为buys-computer。第25页,共27页，星期六，2024年，5月现有一测试实例，问此顾客是否会买电脑第26页,共27页，星期六，2024年，5月可见,朴素贝叶斯分类器将此实例分类为yes，将上述概率归一化,可得到朴素贝叶斯分类器分类此实例为yes的概率是0.0264/(0.0264+0.0086)=0.7543朴素贝叶斯分类器的结构：第27页,共27页，星期六，2024年，5月**0.04750.0995**第i类样本X判别为第j类的风险LijP(wi|X)在传送带上用光学传感器件对鱼按品种分类 鲈鱼(Seabass) 品种 鲑鱼(Salmon)设计一个自动分类系统对两种鱼进行自动分类第2页,共27页，星期六，2024年，5月数据获取：架设一个摄像机，采集一些样本图像，获取样本数据预处理：去噪声，采用图象分割技术，用一个分割操作把鱼和鱼之间以及鱼和背景之间分开，得到单个物理对象的图像。第3页,共27页，星期六，2024年，5月特征提取和选择：对单个鱼的信息进行特征选择，从而通过测量某些特征来减少信息量长度亮度宽度鱼翅的数量和形状嘴的位置，等等…分类决策：把特征送入决策分类器第4页,共27页，星期六，2024年，5月第5页,共27页，星期六，2024年，5月根据长度进行分类Salman一般较短，seabass一般较长第6页,共27页，星期六，2024年，5月根据亮度进行分类Salman一般较暗，seabass一般较亮第7页,共27页，星期六，2024年，5月特征向量=（长度，亮度）x=(x1,x2)样本:(x,y),x：该样本对应的特征向量y:该样本的类别，y=+1(salman)或y=-1(seabass)第8页,共27页，星期六，2024年，5月第9页,共27页，星期六，2024年，5月第10页,共27页，星期六，2024年，5月使用一个特征亮度对这两种鱼进行表示。新来了一条鱼特征是x(亮度)，怎么根据特征x确定它到底是鲈鱼ω1还是鲑鱼ω2？已知数据：鲈鱼类标号ω1，鲑鱼类标号ω2。鲈鱼总数量占所有鱼总数量的比率为P(ω1)，鲑鱼总数量占所有鱼总数量的比率为P(ω2)。假设这条鱼的亮度x在分类为鲈鱼时出现的概率为p(x|ω1),这条鱼的亮度x在分类为鲑鱼时出现的概率为p(x|ω2)。如何求解？可以求出x属于鲈鱼ω1的概率P(ω1|x)和x属于鲑鱼ω2的概率P(ω2|x)。如果P(ω1|x)P(ω2|x)，就认为x是鲈鱼。现在的问题是如何求P(ω1|x)和P(ω2|x)。第11页,共27页，星期六，2024年，5月基本假设：给定模式空间S，由m个互不相交的模式类集合组成，即，假定类的先验概率为，特征向量x的类条件概率密度函数，表示当样本时，特征向量的概率密度函数；特征向量的后验概率，表示在特征向量出现的条件下，样本来自类的概率，即类出现的概率第12页,共27页，星期六，2024年，5月把样本归入后验概率最大的类别中。最大后验概率判决准则使平均错误概率达到最小。如果p(ω1|x)p(ω2|x)，则判决x属于ω1；如果p(ω1|x)p(ω2|x)，则判决x属于ω2；如果p(ω1|x)=p(ω2|x)，则判决x属于ω1或属于ω2；如何求P(ω1|x)和P(ω2|x)？第13页,共27页，星期六，2024年，5月有一个概率公式：从而推出：换一种写法：把样本归入后验概率最大