1.1 引言
設計分類器是將未知類型的樣本分類到最可能的類別中。
後驗概率:
給定一個M類(w1,w2,...,wM)的分類任務和一個用特徵向量x表示的未知樣本,生成條件概率P(wi∣x),i=1,2,..M,也稱後驗概率。
1.2貝葉斯決策理論
先驗概率:如果有N個訓練樣本,其中N1,N2個樣本分佈屬於w1,w2,則相應的先驗概率爲P(w1)=NN1,P(w2)=NN2。
貝葉斯公式:
P(wi∣x)=p(x)p(x∣wi)P(wi)(1.1)
p(x)是x的概率密度函數:
p(x)=i=1∑2p(x∣wi)P(wi)(1.2)
貝葉斯分類規則描述爲:
如果P(w1∣x)>P(w2∣x)則x屬於w1;
如果P(w1∣x)<P(w2∣x)則x屬於w2;
但是由於貝葉斯準則的極限性,出現判定錯誤是不可避免的,其錯誤率Pe的公式爲:
2Pe=∫−∞x0p(x∣w2)dx+∫x0+∞p(x∣w1)dx
因此需要最小化分類錯誤率。
貝葉斯分類器在最小化分類錯誤率是最優的。
最小平均風險
1.3判別函數和決策面
1.4正態分佈的貝葉斯分類
1.5未知概率密度函數的估計
1.6最近鄰規則
1.7貝葉斯網絡