贝叶斯决策理论(1)
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
注:协方差矩阵是非负定的。一般情况情况下, 我们假设是正定的,即|Σ|>0,即存在逆矩阵
贝叶斯决策理论(1)
(2)性质
① 参数 μ 与 Σ 对分布的决定作用 多元正态分布完全由均值向量 μ 与协方差矩阵Σ
决定 μ 有 d 个分量, Σ 由有 d(d+1)/2 元素 ,多元正态
分布总共有 d + d (d+1) / 2个参数 常记为: p(x)=N(μ, Σ)
考虑先验概率变化的情况下,如何使最大 可能的风险为最小,即在最差的条件下 争取最好的结果
贝叶斯决策理论(1)
贝叶斯决策理论(1)
贝叶斯决策理论(1)
2.2.5 序贯分类方法
原因:获取特征需要付出一定的代价(成 本),我们要衡量,增加特征所付出的 代价,减少错误率所得到的好处
贝叶斯决策理论(1)
• 基于最小风险的Bayes决策是:在考虑各种错误 可能造成不同的损失的情况下的Bayes决策规则
贝叶斯决策理论(1)
基本概念
• 决策(行动):所采取的决定 • 决策(行动)空间:所有可能决策所构
成的一个集合 • 损失:每一个决策将付出的代价,通常
为决策和自然状态(类)的函数
贝叶斯决策理论(1)
c 个自然状态(类)
状态
…
决策
ห้องสมุดไป่ตู้
a 个 决 策
损失
一般决策表
贝叶斯决策理论(1)
说明:
状态空间由 c 个自然状态(c 个类)组成:
决策空间由 a 个决策组成:
a=c 或者 a=c+1 (拒绝类)
贝叶斯决策理论(1)
损失函数有a×c 个值:
含义: 当真实状态为 ωj 而所采取的决策为 αi 时所 造成的损失大小
贝叶斯决策理论(1)
贝叶斯决策理论(1)
决策规则
if
if
then then
贝叶斯决策理论(1)
决策面方程
特征空间:一维,决策面:分界点
二维
曲线
三维
曲面
高维
超曲面
贝叶斯决策理论(1)
分类器设计
两类分类器的功能:计算判别函数,再根据计算 结果的符号将 x 分类
g(x)
判别计算
阈值单元
决策
贝叶斯决策理论(1)
2.3 正态分布时的统计决策
最小
最小
最大
结论:在 0-1 损失函数的条件下,使风险最小的 Bayes决策等价于使错误率最小的Bayes决策,后 者是前者的特例
贝叶斯决策理论(1)
2.2.3 Neyman-Pearson(聂曼-皮尔逊)决策 在限定一类错误率条件下,使另一类错误
率为最小的两类别决策
贝叶斯决策理论(1)
2.2.4 最小最大决策
• 决策可以看成随机向量 x 的函数,记为 α(x) (随机变量),可以定义期望风险为
注:积分在整个特征空间上进行
贝叶斯决策理论(1)
差别: • 条件风险 R(αi |x) 只反映出,对某一个 x 取值,
采取决策行动 αi 所带来的风险 • 期望风险 R 则反映,在整个特征空间中不同的
x 取值,采取相应的决策 α(x) 所带来的平均风 险
设 c 类问题和 d 维模式(随机)向量为
贝叶斯决策理论(1)
最小错误率Bayes决策规则:
贝叶斯决策理论(1)
判别函数
定义一组( c 个)判别函数 gi(x) ,i=1,…,c
来表示 c 类决策规则,可以取
贝叶斯决策理论(1)
决策规则
如果使
对all
成立,
则将 x 归于 ωi 类
贝叶斯决策理论(1)
功能:先计算出 c 个判别函数值,再从中 选出对应于判别函数为最大值的类作为 决策结果
贝叶斯决策理论(1)
贝叶斯决策理论(1)
2.2.6.2 两类情况
设两类问题和 d 维模式(随机)向量为
贝叶斯决策理论(1)
最小错误率 Bayes 决策规则:
贝叶斯决策理论(1)
判别函数
只需定义一个判别函数: 具体形式有:
条件风险
决策:归属到异常细胞 原因:损失起主导作用
正常 异常
归正常 0 6 归异常 1 0
贝叶斯决策理论(1)
两种决策规则之间的关系
定义0-1损失函数
意义: 正确决策没有损失,错误决策损失都为 1 附件条件:c 个类别对应 c 个决策(无拒绝类)
贝叶斯决策理论(1)
对 x 采取决策(归属) ωi时的条件错误概率
贝叶斯决策理论(1)
判别函数
常数
i 类与 j 类的决 策面方程
贝叶斯决策理论(1)
针对不同的协方差矩阵进行讨论
贝叶斯决策理论(1)
1 第一种情况
条件:每类的协方差矩阵都相等,类内各特征 间相互独立,具有相等的方差 分两种情形 (1) 各类的先验概率不等 (2) 各类的先验概率相等
贝叶斯决策理论(1)
③不相关性等价于独立性 如果 xi 与 xj 为两个随机变量(向量) 独立:满足
p(xi , xj) = p(xi) p(xj) 不相关:满足
E{ xi xj } = E{ xi } E{ xj }
贝叶斯决策理论(1)
相互独立
成立
成立?? 多元正态分布的任
不相关
意两个分量成立!
贝叶斯决策理论(1)
② 等密度点的轨迹是一个超椭球面 从正态分布总体中抽取的样本大部分落在由 μ 和 Σ 所
确定的一个区域中。区域的中心由均值向量 μ 决定,
区域的大小由协方差矩阵 Σ 决定
等密度点满足下列方程,其解是一个超椭球面
constant
贝叶斯决策理论(1)
贝叶斯决策理论(1)
x 到 μ 的Mahalanobis距离的平方 等密度点轨迹是: x 到 μ 的Mahalanobis距离 为常数的超椭球面
连续型概率密度函数应满足条件
贝叶斯决策理论(1)
单变量正态分布概率密度函数
其中
均值或数学期望 方差
贝叶斯决策理论(1)
2 多元正态分布
(1)定义
d 维向量 d 维均值向量 d×d 协方差矩阵 逆矩阵 行列式
贝叶斯决策理论(1)
主对角线 σij2 为方差
对称矩阵
其他分量 σij2 ( i j ) 为协方差
①在已知类先验概率和类概率密度函数的情况下, 计算待识 x 的后验概率(Bayes公式)
贝叶斯决策理论(1)
②根据决策表,计算每一个决策的条件风险
③找出条件风险最小值所对应的决策,对x 采取该决策(归属到该类)
贝叶斯决策理论(1)
例:区分正常与异常细胞
正常细胞
异常细胞
后验概率
贝叶斯决策理论(1)
重点分析正态分布情况下统计决策的原因是: ①正态分布在物理上是合理的、广泛的 ②正态分布 数学表达上简捷,如一维情况下只
有均值和方差两个参数,因而易于分析
贝叶斯决策理论(1)
2.3.1 正态分布概率密度函数的定义与性质 • 单变量正态分布 • 多变量正态分布
贝叶斯决策理论(1)
1 单变量正态分布
决策面方程
各决策域被决策面所分割,决策面应该是特征空 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
贝叶斯决策理论(1)
如果 Ri 和 Rj 是两个相邻的决策域,则它们之 间的决策面方程:
贝叶斯决策理论(1)
贝叶斯决策理论(1)
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”(程序)
贝叶斯决策理论(1)
条件错误概率
Bayes公式
平均错误率
全概率公式
贝叶斯决策理论(1)
t 是两类的分界点,x轴分成两个区间
红+黄
绿
只有当 t 取两类后验概率相等的点时,错误率才是最
小的(黄颜色区域变成零)
贝叶斯决策理论(1)
贝叶斯决策理论(1)
2.2.2 基于最小风险的Bayes决策
• 在医学诊断上,有误诊(无病说有病)、漏诊。 在雷达防空中,有虚警、漏警(有飞机说成无 飞机)。这些错误判断会造成不同的后果和损 失。
贝叶斯决策理论(1)
Bayes决策理论欲解决的问题 如果在特征空间中观察到某一个(随机)
向量 x = ( x1 , x2 ,…, xd )T
那么,应该将x分到哪一个类才是最合理的?
贝叶斯决策理论(1)
2.2 几种常用的决策规则
2.2.1 基于最小错误率的Bayes决策 2.2.2 基于最小风险的Bayes决策 2.2.3 Neyman-Pearson决策 2.2.4 最小最大决策 2.2.5 序贯分类方法
贝叶斯决策理论(1)
判别函数
用于表达决策规则的某些函数,则称为判别 函数
判别函数可以取为决策规则的单调增函数, 最简单的形式就是决策规则本身
贝叶斯决策理论(1)
决策面与判别函数的关系
判别函数决定决策面方程
分两类和多类情况来讨论判别函数、决 策面方程、分类器设计
贝叶斯决策理论(1)
2.2.6.1 多类情况
正确分类与错误分类
• 正确分类:将样本归属到样本本身所属的 类别
• 错误分类:将样本归属到非样本本身所属 的类别
贝叶斯决策理论(1)
以一维、两类情况为例,证明Bayes规则使分类 错误率最小
(平均)错误率定义为
条件错误概率
贝叶斯决策理论(1)
Bayes决策规则: 此时,x (ω2) 的条件错误概率 此时,x (ω1)的条件错误概率
贝叶斯决策理论(1)
目标:所采取的一系列决策行动应该使期 望风险达到最小
手段:如果在采取每一个决策时,都使其 条件风险最小,则对所有的 x 作决策时, 其期望风险也必然达到最小
决策:最小风险Bayes决策
贝叶斯决策理论(1)
最小风险Bayes决策规则:
其中
采取决策
贝叶斯决策理论(1)
最小风险Bayes决策的步骤
对于给定的模式向量 x 已知
后验概率
最小错误率Bayes决策取后验概率的最大者
贝叶斯决策理论(1)
在决策表中,每一个决策 αi 对应存在 c 个损失。 对于 x,定义在采取决策 αi 时的条件期望损失 (条件风险)为:
贝叶斯决策理论(1)
• x 是随机向量的观察值,对于其不同观察值, 采取不同的决策 αi 时,对应不同的条件风险。 所以,不同的x ,将会采用不同的决策
贝叶斯决策理论(1)
说明:正态分布中不相关意味着协方差矩阵
是对角矩阵
并且有
贝叶斯决策理论(1)
④边缘分布(对变量进行积分)和条件分布(固定变 量)的正态性
⑤线性变换的正态性
y=Ax A为线性变换的非奇异矩阵。若 x 为正态分布,
则 y 也是正态分布 ⑥线性组合的正态性
贝叶斯决策理论(1)
⑦ 正态分布与熵之间的关系
熵的定义
单位为奈特,若换为 ,单位为比特。熵是一个非负的量 用来描述一种分布中随机选取的样本点的不确定性。可以 证明正态分布在所有具有给定均值和方差的分布中具有最大 熵。
贝叶斯决策理论(1)
2.3.2 多元正态概率型下的最小错误率Bayes 判别函数与决策面
多类情况下的判别函数 多元正态分布的类概率密度函数
if
then
将 x 归属后验概率最大的类别
贝叶斯决策理论(1)
两类情况下的Bayes 决策规则及其变型 ①Bayes决策规则
贝叶斯决策理论(1)
②变型1(消去相同的分母)
贝叶斯决策理论(1)
③变型2
似然比
似然比阈值
④变型3(取似然比的自然对数的负值)
贝叶斯决策理论(1)
两类的后验概率相等时,采取的策略: ➢ 归属其中一类 ➢ 拒绝(设置一个拒绝类,供进一步分析)
贝叶斯决策理论(1)
2.2.1 基于最小错误率的Bayes决策
利用概率论中的Bayes公式进行分类,可以 得到错误率最小的分类规则
贝叶斯决策理论(1)
已知条件
①类别状态的先验概率 ②类条件概率密度
贝叶斯决策理论(1)
根据Bayes公式得到状态的后验概率
后验 = 似然 x 先验 / 证据因子
基本决策规则
贝叶斯决策理论(1)
例:某地区细胞识别中,正常和异常细胞的先验概率: P(ω1)=0.9, P(ω2)=0.1
有未知细胞 x,对应的类条件概率密度:
P(x|ω 1)=0.2, P(x|ω 2)=0.4
判别该细胞属于正常细胞还是异常细胞? 解:先计算后验概率:
属于正常细胞,注意:先验概率起主导作用 如果先验概率相等,则属于异常细胞贝叶斯决策理论(1)
贝叶斯决策理论(1)
2020/12/10
贝叶斯决策理论(1)
2.1 引言
模式识别的分类问题:根据待识别对象的 特征观察值,将其分到某一个类别中
贝叶斯决策理论(1)
Bayes决策理论的基本已知条件
①已知决策分类的类别数为c,各类别的状态为:
②已知各类别总体的概率分布(各个类别出现 的先验概率和类条件概率密度函数)
序贯分类方法: 先用一部分特征来分类,逐步加入特征以
减少分类损失 每步都要衡量加入新特征所花代价与所降
低分类损失的大小,以便决定是否继续 增加新特征
贝叶斯决策理论(1)
2.2.6 分类器设计
要点: • 判别函数 • 决策面(分类面) • 分类器设计
贝叶斯决策理论(1)
决策面(分类面)
对于 c 类分类问题,按照决策规则可以把 d 维特 征空间分成 c 个决策域,我们将划分决策域的 边界面称为决策面(分类面)
贝叶斯决策理论(1)
(2)性质
① 参数 μ 与 Σ 对分布的决定作用 多元正态分布完全由均值向量 μ 与协方差矩阵Σ
决定 μ 有 d 个分量, Σ 由有 d(d+1)/2 元素 ,多元正态
分布总共有 d + d (d+1) / 2个参数 常记为: p(x)=N(μ, Σ)
考虑先验概率变化的情况下,如何使最大 可能的风险为最小,即在最差的条件下 争取最好的结果
贝叶斯决策理论(1)
贝叶斯决策理论(1)
贝叶斯决策理论(1)
2.2.5 序贯分类方法
原因:获取特征需要付出一定的代价(成 本),我们要衡量,增加特征所付出的 代价,减少错误率所得到的好处
贝叶斯决策理论(1)
• 基于最小风险的Bayes决策是:在考虑各种错误 可能造成不同的损失的情况下的Bayes决策规则
贝叶斯决策理论(1)
基本概念
• 决策(行动):所采取的决定 • 决策(行动)空间:所有可能决策所构
成的一个集合 • 损失:每一个决策将付出的代价,通常
为决策和自然状态(类)的函数
贝叶斯决策理论(1)
c 个自然状态(类)
状态
…
决策
ห้องสมุดไป่ตู้
a 个 决 策
损失
一般决策表
贝叶斯决策理论(1)
说明:
状态空间由 c 个自然状态(c 个类)组成:
决策空间由 a 个决策组成:
a=c 或者 a=c+1 (拒绝类)
贝叶斯决策理论(1)
损失函数有a×c 个值:
含义: 当真实状态为 ωj 而所采取的决策为 αi 时所 造成的损失大小
贝叶斯决策理论(1)
贝叶斯决策理论(1)
决策规则
if
if
then then
贝叶斯决策理论(1)
决策面方程
特征空间:一维,决策面:分界点
二维
曲线
三维
曲面
高维
超曲面
贝叶斯决策理论(1)
分类器设计
两类分类器的功能:计算判别函数,再根据计算 结果的符号将 x 分类
g(x)
判别计算
阈值单元
决策
贝叶斯决策理论(1)
2.3 正态分布时的统计决策
最小
最小
最大
结论:在 0-1 损失函数的条件下,使风险最小的 Bayes决策等价于使错误率最小的Bayes决策,后 者是前者的特例
贝叶斯决策理论(1)
2.2.3 Neyman-Pearson(聂曼-皮尔逊)决策 在限定一类错误率条件下,使另一类错误
率为最小的两类别决策
贝叶斯决策理论(1)
2.2.4 最小最大决策
• 决策可以看成随机向量 x 的函数,记为 α(x) (随机变量),可以定义期望风险为
注:积分在整个特征空间上进行
贝叶斯决策理论(1)
差别: • 条件风险 R(αi |x) 只反映出,对某一个 x 取值,
采取决策行动 αi 所带来的风险 • 期望风险 R 则反映,在整个特征空间中不同的
x 取值,采取相应的决策 α(x) 所带来的平均风 险
设 c 类问题和 d 维模式(随机)向量为
贝叶斯决策理论(1)
最小错误率Bayes决策规则:
贝叶斯决策理论(1)
判别函数
定义一组( c 个)判别函数 gi(x) ,i=1,…,c
来表示 c 类决策规则,可以取
贝叶斯决策理论(1)
决策规则
如果使
对all
成立,
则将 x 归于 ωi 类
贝叶斯决策理论(1)
功能:先计算出 c 个判别函数值,再从中 选出对应于判别函数为最大值的类作为 决策结果
贝叶斯决策理论(1)
贝叶斯决策理论(1)
2.2.6.2 两类情况
设两类问题和 d 维模式(随机)向量为
贝叶斯决策理论(1)
最小错误率 Bayes 决策规则:
贝叶斯决策理论(1)
判别函数
只需定义一个判别函数: 具体形式有:
条件风险
决策:归属到异常细胞 原因:损失起主导作用
正常 异常
归正常 0 6 归异常 1 0
贝叶斯决策理论(1)
两种决策规则之间的关系
定义0-1损失函数
意义: 正确决策没有损失,错误决策损失都为 1 附件条件:c 个类别对应 c 个决策(无拒绝类)
贝叶斯决策理论(1)
对 x 采取决策(归属) ωi时的条件错误概率
贝叶斯决策理论(1)
判别函数
常数
i 类与 j 类的决 策面方程
贝叶斯决策理论(1)
针对不同的协方差矩阵进行讨论
贝叶斯决策理论(1)
1 第一种情况
条件:每类的协方差矩阵都相等,类内各特征 间相互独立,具有相等的方差 分两种情形 (1) 各类的先验概率不等 (2) 各类的先验概率相等
贝叶斯决策理论(1)
③不相关性等价于独立性 如果 xi 与 xj 为两个随机变量(向量) 独立:满足
p(xi , xj) = p(xi) p(xj) 不相关:满足
E{ xi xj } = E{ xi } E{ xj }
贝叶斯决策理论(1)
相互独立
成立
成立?? 多元正态分布的任
不相关
意两个分量成立!
贝叶斯决策理论(1)
② 等密度点的轨迹是一个超椭球面 从正态分布总体中抽取的样本大部分落在由 μ 和 Σ 所
确定的一个区域中。区域的中心由均值向量 μ 决定,
区域的大小由协方差矩阵 Σ 决定
等密度点满足下列方程,其解是一个超椭球面
constant
贝叶斯决策理论(1)
贝叶斯决策理论(1)
x 到 μ 的Mahalanobis距离的平方 等密度点轨迹是: x 到 μ 的Mahalanobis距离 为常数的超椭球面
连续型概率密度函数应满足条件
贝叶斯决策理论(1)
单变量正态分布概率密度函数
其中
均值或数学期望 方差
贝叶斯决策理论(1)
2 多元正态分布
(1)定义
d 维向量 d 维均值向量 d×d 协方差矩阵 逆矩阵 行列式
贝叶斯决策理论(1)
主对角线 σij2 为方差
对称矩阵
其他分量 σij2 ( i j ) 为协方差
①在已知类先验概率和类概率密度函数的情况下, 计算待识 x 的后验概率(Bayes公式)
贝叶斯决策理论(1)
②根据决策表,计算每一个决策的条件风险
③找出条件风险最小值所对应的决策,对x 采取该决策(归属到该类)
贝叶斯决策理论(1)
例:区分正常与异常细胞
正常细胞
异常细胞
后验概率
贝叶斯决策理论(1)
重点分析正态分布情况下统计决策的原因是: ①正态分布在物理上是合理的、广泛的 ②正态分布 数学表达上简捷,如一维情况下只
有均值和方差两个参数,因而易于分析
贝叶斯决策理论(1)
2.3.1 正态分布概率密度函数的定义与性质 • 单变量正态分布 • 多变量正态分布
贝叶斯决策理论(1)
1 单变量正态分布
决策面方程
各决策域被决策面所分割,决策面应该是特征空 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
贝叶斯决策理论(1)
如果 Ri 和 Rj 是两个相邻的决策域,则它们之 间的决策面方程:
贝叶斯决策理论(1)
贝叶斯决策理论(1)
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”(程序)
贝叶斯决策理论(1)
条件错误概率
Bayes公式
平均错误率
全概率公式
贝叶斯决策理论(1)
t 是两类的分界点,x轴分成两个区间
红+黄
绿
只有当 t 取两类后验概率相等的点时,错误率才是最
小的(黄颜色区域变成零)
贝叶斯决策理论(1)
贝叶斯决策理论(1)
2.2.2 基于最小风险的Bayes决策
• 在医学诊断上,有误诊(无病说有病)、漏诊。 在雷达防空中,有虚警、漏警(有飞机说成无 飞机)。这些错误判断会造成不同的后果和损 失。
贝叶斯决策理论(1)
Bayes决策理论欲解决的问题 如果在特征空间中观察到某一个(随机)
向量 x = ( x1 , x2 ,…, xd )T
那么,应该将x分到哪一个类才是最合理的?
贝叶斯决策理论(1)
2.2 几种常用的决策规则
2.2.1 基于最小错误率的Bayes决策 2.2.2 基于最小风险的Bayes决策 2.2.3 Neyman-Pearson决策 2.2.4 最小最大决策 2.2.5 序贯分类方法
贝叶斯决策理论(1)
判别函数
用于表达决策规则的某些函数,则称为判别 函数
判别函数可以取为决策规则的单调增函数, 最简单的形式就是决策规则本身
贝叶斯决策理论(1)
决策面与判别函数的关系
判别函数决定决策面方程
分两类和多类情况来讨论判别函数、决 策面方程、分类器设计
贝叶斯决策理论(1)
2.2.6.1 多类情况
正确分类与错误分类
• 正确分类:将样本归属到样本本身所属的 类别
• 错误分类:将样本归属到非样本本身所属 的类别
贝叶斯决策理论(1)
以一维、两类情况为例,证明Bayes规则使分类 错误率最小
(平均)错误率定义为
条件错误概率
贝叶斯决策理论(1)
Bayes决策规则: 此时,x (ω2) 的条件错误概率 此时,x (ω1)的条件错误概率
贝叶斯决策理论(1)
目标:所采取的一系列决策行动应该使期 望风险达到最小
手段:如果在采取每一个决策时,都使其 条件风险最小,则对所有的 x 作决策时, 其期望风险也必然达到最小
决策:最小风险Bayes决策
贝叶斯决策理论(1)
最小风险Bayes决策规则:
其中
采取决策
贝叶斯决策理论(1)
最小风险Bayes决策的步骤
对于给定的模式向量 x 已知
后验概率
最小错误率Bayes决策取后验概率的最大者
贝叶斯决策理论(1)
在决策表中,每一个决策 αi 对应存在 c 个损失。 对于 x,定义在采取决策 αi 时的条件期望损失 (条件风险)为:
贝叶斯决策理论(1)
• x 是随机向量的观察值,对于其不同观察值, 采取不同的决策 αi 时,对应不同的条件风险。 所以,不同的x ,将会采用不同的决策
贝叶斯决策理论(1)
说明:正态分布中不相关意味着协方差矩阵
是对角矩阵
并且有
贝叶斯决策理论(1)
④边缘分布(对变量进行积分)和条件分布(固定变 量)的正态性
⑤线性变换的正态性
y=Ax A为线性变换的非奇异矩阵。若 x 为正态分布,
则 y 也是正态分布 ⑥线性组合的正态性
贝叶斯决策理论(1)
⑦ 正态分布与熵之间的关系
熵的定义
单位为奈特,若换为 ,单位为比特。熵是一个非负的量 用来描述一种分布中随机选取的样本点的不确定性。可以 证明正态分布在所有具有给定均值和方差的分布中具有最大 熵。
贝叶斯决策理论(1)
2.3.2 多元正态概率型下的最小错误率Bayes 判别函数与决策面
多类情况下的判别函数 多元正态分布的类概率密度函数
if
then
将 x 归属后验概率最大的类别
贝叶斯决策理论(1)
两类情况下的Bayes 决策规则及其变型 ①Bayes决策规则
贝叶斯决策理论(1)
②变型1(消去相同的分母)
贝叶斯决策理论(1)
③变型2
似然比
似然比阈值
④变型3(取似然比的自然对数的负值)
贝叶斯决策理论(1)
两类的后验概率相等时,采取的策略: ➢ 归属其中一类 ➢ 拒绝(设置一个拒绝类,供进一步分析)
贝叶斯决策理论(1)
2.2.1 基于最小错误率的Bayes决策
利用概率论中的Bayes公式进行分类,可以 得到错误率最小的分类规则
贝叶斯决策理论(1)
已知条件
①类别状态的先验概率 ②类条件概率密度
贝叶斯决策理论(1)
根据Bayes公式得到状态的后验概率
后验 = 似然 x 先验 / 证据因子
基本决策规则
贝叶斯决策理论(1)
例:某地区细胞识别中,正常和异常细胞的先验概率: P(ω1)=0.9, P(ω2)=0.1
有未知细胞 x,对应的类条件概率密度:
P(x|ω 1)=0.2, P(x|ω 2)=0.4
判别该细胞属于正常细胞还是异常细胞? 解:先计算后验概率:
属于正常细胞,注意:先验概率起主导作用 如果先验概率相等,则属于异常细胞贝叶斯决策理论(1)
贝叶斯决策理论(1)
2020/12/10
贝叶斯决策理论(1)
2.1 引言
模式识别的分类问题:根据待识别对象的 特征观察值,将其分到某一个类别中
贝叶斯决策理论(1)
Bayes决策理论的基本已知条件
①已知决策分类的类别数为c,各类别的状态为:
②已知各类别总体的概率分布(各个类别出现 的先验概率和类条件概率密度函数)
序贯分类方法: 先用一部分特征来分类,逐步加入特征以
减少分类损失 每步都要衡量加入新特征所花代价与所降
低分类损失的大小,以便决定是否继续 增加新特征
贝叶斯决策理论(1)
2.2.6 分类器设计
要点: • 判别函数 • 决策面(分类面) • 分类器设计
贝叶斯决策理论(1)
决策面(分类面)
对于 c 类分类问题,按照决策规则可以把 d 维特 征空间分成 c 个决策域,我们将划分决策域的 边界面称为决策面(分类面)