模式识别第三StatisticDiscriminant精读.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * 这样，就得出最小风险与先验概率的关系曲线，如图所示： 讨论： 上式证明，所选的判别边界，使两类的概率相等： 这时可使最大可能的风险为最小，这时先验概率变化，其最大风险不变 迄今为止所讨论的分类问题，关于待分类样本的所有信息都是一次性提供的。但是，在许多实际问题中，观察实际上是序贯的。随着时间的推移可以得到越来越多的信息。 一种方法是计算停止损失和计算继续损失，在两者的临界点上得到分类决策。这种方法需要知道先验概率、决策损失以及观测每个新特征需要的代价。后来开发了一系列基于这种方法的快速算法。 3.2.2 序贯分类 假设对样品进行第 i 次观察获取一序列特征为：X=(x1,x2,…, xi )T 则对于ω1，ω2两类问题, 若X ∈ ω1，则判决完毕 若X∈ ω2 ，则判决完毕 若X不属ω1也不属ω2 ，则不能判决，进行第i+1次观察，得X=(x1,x2,…,xi,x i+1)T ，再重复上面的判决，直到所有的样品分类完毕为止。 这样做的好处是使那些在二类边界附近的样本不会因某种偶然的微小变化而误判，当然这是以多次观察为代价的。 另外一种是基于错误概率的序贯处理。 由最小错误概率的Bayes 判决，对于两类问题，似然比为 现在来确定A、B的值。 因为 序贯分类决策