第4章模式别.pptVIP

第4章 随机模式的分类方法 4.1 引言 随机模式的分类方法主要是基于贝叶斯决策理论。为此，先给出几个有关的概念： 先验概率：是预先已知的或者可以估计的模式识别系统位于某种类型的概率。 在一般性的c类问题中，常以 表示类型，以 表示各类型的先验概率，并且满足。 类（条件）概率密度：是系统位于某种类型条件下模式样本x出现的概率密度分布函数，常以 等来表示。通常已知，或用抽样试验和某种方法估计出来。 后验概率：是系统在某个具体的模式样本x条件下位于某种类型的概率，常以 等来表示。可以根据贝叶斯公式计算，可直接用作分类判决的依据。 4.2 最小错误率判决规则 判决依据: 规定把模式样本归属于后验概率较高的那种类型。 后验概率的计算: 讨论最简单的两类问题。设用 和 分别表示两种不同的类型。 根据全概率公式，模式样本出现的全概率密度为 判决规则的实质: 考查该分类法的错误率。(说明) 最小错误率判决规则的一般化 最小错误率判决规则推广到c类问题中，可以表达为 若 ，则 应用举例 例4-1 在细胞的化验中要区分正常的和异常的两种类型，分别以 和 表示，各自的先验概率为 和 。由一次化验的观测值从类概率密度分布曲线上查得 和 ，试判断这次化验的细胞属于哪一种类型。 4.3 最小风险判决规则 问题的提出 最小风险判决规则也是一种贝叶斯分类方法。最小错误率判决规则没有考虑错误判决带来的风险（risiko）。事实上，在同一个问题中，某种判决总会有一定损失。特别是错误判决会有风险，不同的错误判决会有不同的风险。由于判决风险的存在，使用最小错误率判决规则就不够了，有必要引导出最小风险判决规则。 最小风险判决规则 假定某一随机模式样本x的后验概率 已知，则对于每一种判决 ，可求出随机变量 的条件平均风险为 把模式样本x归属于条件平均风险最小的那一种判决。即 若 ，则 (4-10) 实施最小风险判决规则的步骤： 在给定的随机模式样本条件下，由贝叶斯公式计算各类型的后验概率 计算各种判决的条件平均风险 把样本归属于条件平均风险最小的那一种判决。 应用举例 例4-2 在细胞化验中要区分为正常的和异常的两种类型，分别以 和 表示，要得到的判决也是两种，相应地为 和 。假定风险矩阵已知，两种类型的先验概率和一次化验的细胞样本x类概率与例4-1中给出的数值都相同，试判断这次化验的细胞属于哪一种类型。 最小错误率判决规则只是最小风险判决规则的一种特殊情况 在0-1损失函数情况下，最小风险判决规则退化为最小错误率判决规则。 (说明) (说明) 设判决数目与类型数目相等，假设正确判决的损失为0，错误判决的损失为1，即有0-1损失函数 式中， 条件平均风险 把上式结果代入（4-10）式，得到 若 ，则 4.4 最大似然比判决规则 似然比函数 类概率密度 又称为似然函数，两个类概率密度之比被称为似然比函数。 最大似然比判决规则 它把模式样本归属于这样的类型 ，类型 分别与其它类型 的似然比均大于相应的门限值。 最大似然比判决规则的实现 （1）两类问题——由最小错误率判决规则导出 定义类型 与 类型的似然比为 判决门限为 最大似然比判决规则的实现