模式识别学习笔记之五:贝叶斯决策理论方法所讨论的问题
2012-04-11 16:21
246 查看
在要讨论接下来的问题之前,先回首一下对于待识别的物理对象的描述问题。假设一个待识别的物理对象用其d个属性观察值描述,称之为d个特征,这组成一个d维的特征向量,而这d维待征所有可能的取值范围则组成了一个d维的特征空间。
贝叶斯决策理论方法所讨论的问题是:已知总共有c类物体,也就是说待识别物体属于这c类中的一个类别,对这c类不同的物理对象,以及各类在这d维特征空间的统计分布,具体说来是各类别 ωi=1,2,…,c 的先验概率P(ωi) 及 类条件概率密度函数p(x|ωi) 已知的条件下,如何对某一样本按其 特征向量 分类的问题。由于属于不同类的待识别对象存在着呈现相同观察值的可能,即所观察到的某一样本的特征向量为X,而在c类中又有不止一类可能呈现这一X值,这种可能性可用P(ωi|X)表示。如何作出合理的判决就是贝叶斯决策理论所要讨论的问题。
另外我们已经知道机器实现自动分类有两大类方法:一种是模板匹配方法,而另一种就是对特征空间划分为子空间(每类的势力范围)的方法。接下来要讨论的核心问题是:样本为特征向量X时,它属于哪一类可能性有多大,如能确定属于各个类别的百分比(概率)分类决策就有了依据。例如某个样本的特征向量为X,X属于第一类样本的可能性为60%,而第二类的可能性为40%。在没有任何样本信息的情况下,则应将样本决策为第一类以使错分类可能性小(40%),这就是考虑分类问题的出发点。
贝叶斯决策理论方法所讨论的问题是:已知总共有c类物体,也就是说待识别物体属于这c类中的一个类别,对这c类不同的物理对象,以及各类在这d维特征空间的统计分布,具体说来是各类别 ωi=1,2,…,c 的先验概率P(ωi) 及 类条件概率密度函数p(x|ωi) 已知的条件下,如何对某一样本按其 特征向量 分类的问题。由于属于不同类的待识别对象存在着呈现相同观察值的可能,即所观察到的某一样本的特征向量为X,而在c类中又有不止一类可能呈现这一X值,这种可能性可用P(ωi|X)表示。如何作出合理的判决就是贝叶斯决策理论所要讨论的问题。
另外我们已经知道机器实现自动分类有两大类方法:一种是模板匹配方法,而另一种就是对特征空间划分为子空间(每类的势力范围)的方法。接下来要讨论的核心问题是:样本为特征向量X时,它属于哪一类可能性有多大,如能确定属于各个类别的百分比(概率)分类决策就有了依据。例如某个样本的特征向量为X,X属于第一类样本的可能性为60%,而第二类的可能性为40%。在没有任何样本信息的情况下,则应将样本决策为第一类以使错分类可能性小(40%),这就是考虑分类问题的出发点。
相关文章推荐
- Java学习笔记-问问题?-->静态方法
- 学习笔记:Maven构造版本号的方法解决浏览器缓存问题
- ◆◆◆Angular2学习笔记-问题解决方法
- STL学习笔记:用非递归的方法实现汉诺塔问题
- 黑马程序员_学习笔记5多线程在的应用遇到的主要问题及解决方法。
- 模式识别学习笔记-第一章 机器学习的基本问题
- <学习html>第三天笔记-链接标签;锚点定位、<base />标签;遇到标签之间关系的问题及解决方法
- 我的嵌入式学习笔记(2)--scanf使用常见问题及解决方法
- JNI学习笔记5——本地方法处理java数组/引用问题/缓存jfieldID/jmethodID
- MYSQL的binary解决mysql数据大小写敏感问题的方法|Blob与Text的区别-【mysql学习笔记】
- java学习笔记---Java可变参数方法重载时要注意的几个问题
- 我的嵌入式学习笔记(2)--scanf使用常见问题及解决方法
- iOS学习笔记24—URL传参的问题和解决方法
- springmvc学习笔记-返回json的日期格式问题的解决方法
- 设计模式学习笔记(三):模板方法模式【Template Method】(三) 问题引申
- WPF学习笔记 - ”指定的元素已经是另一个元素的逻辑子元素。请先将其断开连接。“问题的解决方法之一
- 【算法学习笔记】19.算法设计初步 最大子列和问题的三种方法
- Java学习笔记1——关于Scanner类中nextDouble、nextInt、……等方法与nextLine方法联用的问题
- ESXi(ESXi 4.1)相关问题解决方法和操作学习笔记