正态分布时的统计决策.pptVIP

Bhattacharyya界 (1) 其中通过式(75)可得高斯分布的情况如下： 2.4 关于分类器的错误率问题 (77) 如果分布并非高斯的，Chernoff和Bhatacharyya界仍然可用，但是，对于偏离高斯分布太远的分布，这些上界并不能说明什么问题。 　 说　明 Bayes决策所需的条件是最多的，必须知道各类先验概率和观测量的类条件概率密度。 实际工作中，在决策之前必须解决概率密度的估计问题。 2.4 关于分类器的错误率问题 * “最小距离分类器”如果每一个均值向量被看成是其所属模式类的一个理想原型或模板，那么这本质上是一个模板匹配技术。 * 式(71)中的两个积分分别代表函数p(x|ω1)P(ω1)尾部的粉红和灰色区域，因为判决点x’是任意选取的，所以误差概率并没有最小化。特别的，如果判决边界移到xB，那么标有“可去误差”的三角区域可以去掉。 * * * * * * * * * 式(71)的一般结果既不取决于特征空间如何被划分为判决区域，也不取决于内在的分布形式，贝叶斯分类器通过选择对所有x使被积函数最大的区域来最大化这个概率；没有其他的分类方法可以产生更小的误差概率。 ㈢第三类情况—∑i≠∑j 各类的协方差阵不相等 (d×d矩阵) (d维列向量) 2.3.2多元正态概型下的最小错误率贝叶斯判别函数和决策面 判别函数gi(x)表