2-贝叶斯分器.pptVIP

第二章 贝叶斯分类器 2.1 最小错误率判别规则 2.2 最小风险判别规则 2.3 分类器的错误率 2.4 奈曼-皮尔逊判别规则 2.5 最小最大判别规则 引言 模式识别的分类问题就是根据待识别对象的特征向量值及其它约束条件将其分到某个类别中去。统计决策理论是模式分类问题的基本理论之一,它对模式分析和分类器的设计有着实际的指导意义,贝叶斯(Bayes)决策方法是统计模式识别中的一个重要方法,是处理模式分类问题的基本理论之一。本章要讨论的贝叶斯分类器在统计模式识别中被称为最优分类器。 例1 癌细胞识别问题: 如何区分正常细胞与癌细胞? 采用贝叶斯方法必须满足下列两个条件: 模式识别问题 假设对象来自m个不同的类,用d个特征来描述对象. 特征向量 x= ( x1, x2, ... xd )T , x也称为模式. 特征(模式)空间 S 所有的特征(模式)构成的集合. S为d维空间R d的一个子集,模式x是S中的一个点. 2.1 最小错误率判别规则 1. 问题描述 2. 判别规则 3. 决策域.判别函数 4. 参数估计 5. 计算实例 1.问题描述 在模式分类问题中,人们往往希望尽量减少分类的错误.从这样的要求出发,利用Bayes公式,可得出使错误率最低的分类规则,称之为基于最小错误率的贝叶斯分类决策 用类别条件概率