原创力文档- 1、本文档共28页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
模式识别课件04,模式识别课件,模式识别课件下载,模式识别课件张学工,模式识别导论课件,模式识别,模式识别与智能系统,模式识别与人工智能,模式识别与机器学习,图像处理与模式识别
第三章 概率密度函数的估计
3.1 引言
贝叶斯决策：
已知P (ω ) 和p (x | ω ) ，对未知样本分类（设计分类器）
i i
实际问题：
已知一定数目的样本，对未知样本分类（设计分类器）
怎么办？
一种很自然的想法：
ˆ
ˆ
首先根据样本估计p (x | ω ) 和P (ω ) ，记p (x | ω ) 和P (ω )
i i i i
然后用估计的概率密度设计贝叶斯分类器。
—— （基于样本的）两步贝叶斯决策
希望：
当样本数N →∞时，如此得到的分类器收敛于理论上的最优解。
为此，需 ˆ N →∞
p (x | ω ) →p (x | ω )
i i
N →∞
ˆ
P (ω ) →P (ω )
i i
重要前提：
训练样本的分布能代表样本的真实分布，所谓 i.i.d 条件
有充分的训练样本
本章研究内容：
① 如何利用样本集估计概率密度函数？
② 估计量的性质如何？
③ 如何根据样本集估计错误率？
估计概率密度的两种基本方法：
参数方法 (parametric methods)
非参数方法 (nonparametric methods)
§3.2 参数估计的基本概念和方法(part1)
参数估计(parametric estimation)：
已知概率密度函数的形式，只是其中几个参数未知，目标是根据样本估
计这些参数的值。
几个名词：
统计量(statistics)：样本的某种函数，用来作为对某参数的估计
参数空间(parametric space)：待估计参数的取值空间θ ∈Θ
ˆ
估计量(estimation)：θ(x , x , L,x )
1 2 N
3.2.1 最大似然估计(Maximum Likelihood Estimation)
假设条件：
① 参数θ是确定的未知量，（不是随机量）
② 各类样本集 X ，i 1, L,c 中的样本都是从密度为p (x | ω ) 的总
i i
体中独立抽取出来的，（独立同分布，i.i.d.）
③ p (x | ω ) 具有某种确定的函数形式，只其参数θ未知
i
④ 各类样本只包含本类分布的信息
2
其中，参数θ通常是向量，比如一维正态分布N (µ ,σ ) ，未知参数可能是
i 1
µ
文档评论（0）