第三章 非参数判别分类方法.pptVIP

第三章 非参数判别分类方法 非参数判别分类方法是当前模式识别中主要使用的方法，并且涉及到人工神经元网络与统计学习理论等多方面，是本门课最核心的章节之一。 通过本章学习掌握模式识别中最重要的非参数判别分类法的原理。 §3.1 引言 按贝叶斯决策理论设计分类器的步骤 非参数判别分类方法的两个过程 线性判别函数的一般形式 向量W的意义 向量W的意义 广义线性判别函数 1. Fisher准则函数 样本在d维X空间的一些描述量 样本在一维Y空间的一些描述量 Fisher准则的函数形式 2. 最佳W值的确定 最佳法线向量 3. 判别函数的确定 *中国矿业大学 计算机科学与技术学院 第三章 非参数判别分类方法 学习指南 非参数判别分类方法的核心是由训练样本集提供的信息直接确定决策域的划分方法。 本章最重要的概念是分类器设计用一种训练与学习的过程来实现。机器自动识别事物的能力通过训练学习过程来实现，其性能通过学习过程来提高，这是模式识别、人工神经元网络中最核心的内容。 学习这一章要进一步体会模式识别中确定准则函数并实现优化的计算框架。 由于决策域的分界面是用数学式子来描述的，如线性函数，或各种非线性函数等。因此确定分界面方程包括选择函数类型与确定最佳参数两个部分。一般说来选择函数类型是由设计者确定的，但其参数的确定则是通过一个学习过程来实现的，是一个叠代实现优化的过程。因此本章从最