模式识别郝旷荣Chap(MSSBHKR).pptVIP

第四章 非参数判别分类方法 §4.1 引言　　§4.2 线性分类器　　§4.3 非线性判别函数　　§4.4 近邻法　　§4.5 支持向量机　　§5 本章小结 §4.5 支持向量机 4.5.1 线性可分条件下的支持向量机 最优分界面 4.5.2 线性不可分条件下的广义最优 线性分界面 4.5.3 特征映射法、解决非线性判别 分类问题 由此可见每次迭代过程都要重新对现有样本集进行重新随机划分，以保证了剪辑的独立性。从图6.5到图6.8可以看出，剩下的样本集形成了两个很好的聚类，并且在每个聚类中的样本都属同一类。 前面我们已经提到，用近邻法容易出错的区域是在两类的交界处，这时某个训练样本存在与否就会影响到某些测试分类的结果。因此剪辑的效果往往把这些处于交界的训练样本给剪辑掉了。 另一个问题是对剪辑近邻法错误率的分析。这里我们只给出简单的结论： 4.4.3.2 剪辑近邻法 1.利用最近邻法剪辑后得到的样本集进行分类，其错误率总小于原样本集，　　 　　　 (4-77)其中P(e)表示用原样本的渐近平均错误率。在P(e)很小，如P(e)0.1情况下可有