第4讲 统计分类(三)--贝叶斯分类器的的设计和的分析.pptVIP

速冻大哥个 规范 模式识别 第六讲 统计模式识别（三） －－贝叶斯分类器的设计和分析 回顾： 一、贝叶斯分类器设计 1、贝叶斯分类器设计的原理 一、贝叶斯分类器设计 2、参数估计与非参数估计 参数估计： 先假定研究的问题具有某种数学模型，如正态分布，二项分布，再用已知类别的学习样本估计里面的参数。 非参数估计： 不假定数学模型，直接用已知类别的学习样本的先验知识直接估计数学模型。 一、贝叶斯分类器设计 （1）最大似然估计 假定： ①待估参数θ是确定的未知量 ②按类别把样本分成M类X1，X2，X3，… XM 其中第i类的样本共N个 Xi = (X1,X2,… XN)T 并且是独立从总体中抽取的 ③ Xi中的样本不包含 (i≠j)的信息，所以可以对每一 类样本独立进行处理。 ④ 第i类的待估参数 一、贝叶斯分类器设计 ∵学习样本独立从总体样本集中抽取的 ∴ 即 N个学习样本出现概率的乘积 取对数 ： 一、贝叶斯分类器设计 有时上式是多解的, 上图有5个解,只有一个解最大即 一、贝叶斯分类器设计 多维正态分布情况 ① ∑已知, μ未知,估计μ 服从正态分布 则有 最优μ值满足 一、贝叶斯分类器设计 所以 未知均值的最大似然估计是训练样本的算术平均值。 一、贝叶斯分类器设计 一、贝叶斯分类器设计 B．多维情况：n维特征 估计值： 结论：①μ的估计即为学习样本的算术平均 ②估计的协方差矩阵是矩阵 的算术平均（nⅹn阵列， nⅹn个值） 一、贝叶斯分类器设计 （2）贝叶斯估计 最大似然估计是把待估的参数看作固定的未知量，而贝叶斯估计则是把待估的参数作为具有某种先验分布的随机变量，通过对第i类学习样本Xi的观察，使概率密度分布P(Xi/θ)转化为 后验概率P(θ/Xi) ，再求贝叶斯估计。 估计步骤: ①确定θ的先验分布P(θ),待估参数为随机变量。 ②用第i类样本xi=(x1, x2,…. xN)T求出样本的联合概率密度分布P(xi|θ)，它是θ的函数。 ③?利用贝叶斯公式,求θ的后验概率 ? ④ 假定c个类型区域均相邻，统一判决规则为 若 则 上式等效于 决策面方程 如果类型ωi和ωj的区域是相邻的，他们之间的决策面方程为 判别函数为： 三、贝叶斯分类的错误率 1、错误率的概念 错误率就是根据判别规则进行分类， 分类结果与真实情况不符的概率。 例如：按最小错误率分类规则， * * 贝叶斯分类器的设计 正态分布条件下的贝叶斯分类 贝叶斯分类的错误率 数理统计基础 贝叶斯分类的基本原理 最小错误率贝叶斯分类 最小风险贝叶斯分类 最大似然比贝叶斯分类 贝叶斯分类器中只要知道先验概率，类条件概率密度 P(ωj)，P(x/ωj) 就可以设计分类器。而P(ωj)，P(x/ωj) 需要利用训练样本集的信息去进行估计。 3、类概率密度函数的估计 根据以上四条假定，我们只分别利用各类学习样 本来估计各类的概率密度函数。 一般方法 第i类样本的类条件概率密度： P(Xi/ωi)= P(Xi/ωi﹒θi) = P(Xi/θi) 原属于i类的学习样本为Xi=(X1 , X2 ,…XN,)T i=1,2,…M 求θi的最大似然估计就是把P(Xi/θi)看成θi的函数，求出使它最大时的θi值。 一、贝叶斯分类器设计 对θi求导,并令它为0： P(Xi/θi) 得 ② ∑， μ均未知 A. 一维情况：n=1 对于每个学习样本只有一个特征的简单情况： 二、正态分布条件下的贝叶斯分类 1、贝叶斯分类的判别函数和决策面 判别函数 假定有c类问题，用ω1， ω2， ….，ωc表示c个类型，则 对最小错误率判决规则，判别函数可定义为： 对于最小风险判别规则，判别函数可定义为： 对于最大似然比判别规则，判别函数可定义为： 二、正态分布条件下的贝叶