- 1、本文档共86页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
UCAS模式识别6_线性判别函数
中国科学院大学计算机与控制学院硕士课 《模式识别》
第5章
线性判别函数
Linear Discriminant Functions
向 世 明
smxiang@nlpr.ia.ac.cn
助教:杨学行(xhyang@nlpr.ia.ac.cn); 吴一超(yichao.wu@nlpr.ia.ac.cn)
5.1 引言
• 前面几章主要介绍:
– 贝叶斯决策理论
– 概率密度估计--函数已知情形时,参数估计
– 非参数估计--密度函数未知
• 本章的主要任务:
– 假定用于分类的判别函数的参数形式已知,直接从样
本来估计判别函数的参数。
– 优点:
• 不需要有关概率密度函数的确切的参数形式。因此,
属于无参数估计方法。
5.1 引言
• 模式分类的途径
– 估计类条件概率密度函数
• 利用贝叶斯公式求出后验概率,然后决策
• 概率密度参数估计和非参数估计
– 直接估计后验概率
• 不需要估计类条件概率密度函数
• K -近邻分类器
– 直接计算判别函数
• 不需要估计类条件概率密度函数
• 直接找到可用于分类的判别函数
5.1 引言
• 回顾Bayes分类器
– 已知:类先验概率p () 和类条件密度函数p (x|)
i i
– 任务:估计一个决策函数,借此进行分类
– 主要方法:参数估计与非参数估计
– 特点:需要大量的样本,需要知道某些概率及其形式
• 可否利用样本直接设计分类器?
– 方法分类
• 线性判别函数、支持向量机、Fisher线性判别函数
• 广义线性判别函数、非线性判别函数、核学习机
5.1 引言
• 本章利用样本直接设计分类器的基本思想
– 步1:给定一个判别函数,且已知该函数的参数形式;
– 步2 :采用样本来训练判别函数的参数;
– 步3 :对于新样本,采用判别函数对其进行决策,并按
照一些准则来完成分类。
5.1 引言
• 本章学习判别函数的基本技术路线:
– 假定有n 个d 维空间中的样本,每个样本的类别标签
已知,且一共有c 个不同的类别。
– 假定判别函数的形式已知,寻找一个判别函数。
d
– 对于给定的新样本x R ,判定它属于 , , …, 中
1 2 c
的哪个类别。
5.1 引言
• 基于判别函数的分类器
– 采用已知类别标签的训练样本进行学习,获得若干个
代数界面,这些界面将样本所在的空间分成若干个相
互不重叠的区域。每个区域包含属于同一类的样本。
– 表示界面的函数称为判别函数。
– 判别函数是分类器最常用的表述形式
5.1 引言
• 判别函数示例
图中,边界线即为一个判别函数
5.1 引言
• 基于判别函数的判别准则
– 对于c 类分类问题(线性机器):
• 设g (x), i = 1,2,…, c ,表示每个类别对应的判别函数
i
• 决策规则:
– 如果g (x) g (x), j i ,则x 被分为第 类。
i
文档评论(0)