贝叶斯决策理论技术方案.pptVIP

【基于最小风险的贝叶斯决策】 算法步骤: 【基于最小风险的贝叶斯决策】 例题2: 【基于最小风险的贝叶斯决策】 【基于最小错误率的贝叶斯决策与最小风险的贝叶斯决策的关系】 定理：0-1风险 证明： 概率论基础知识 贝叶斯决策基础知识 基于最小错误率的贝叶斯决策 基于最小风险的贝叶斯决策 正态分布时的统计决策 贝叶斯分类器设计 小结 正态分布时的统计决策 【贝叶斯决策基础知识】 贝叶斯决策理论 先验概率： 后验概率： 类条件概率： 贝叶斯公式： 【两种贝叶斯决策】 最小错误率的贝叶斯准则： （1） （2） （3） 为似然比， 为似然比阈值。 其中， 最小风险贝叶斯决策规则: 【正态分布时的统计决策】 为什么要用正态分布函数？ 1. 物理上的合理性 对于许多实际的数据集，正态性假设是一种合理的近似。 2. 数学上比较简便 正态分布概率模型有很好的性质，有利于做数学分析。 【正态分布时的统计决策】 1. 单变量正态分布 单变量正态分布概率密度定义为 图 单变量正态分布 概率密度函数应满足下列关系式 【正态分布时的统计决策】 1. 单变量正态分布 图 单变量正态分布 2.多元正态分布 （1）多元正态分布的概率密度函数定义为 1. 参数对分布的决定性 2. 不相关性等价于独立性 3. 边缘分布和条件分布的正态性 4. 线性变换的正态性 5. 线