模式识别(四).pdfVIP

4 模式识别 (Pattern Recognition) 武汉大学计算机学院 袁志勇 Email: yuanzywhu@163.com 第3章 Bayes决策理论 3.1 Bayes决策的引入 3.2 分类器的描述方法 3.3 最小错误率Bayes决策 3.4 最小风险Bayes决策 3.5 Neyman-Pearson决策 3.6 最小最大风险决策 3.7 正态分布Bayes决策 3.8 Bayes分类器算法和例题 3.9 序惯分类（*:了解） 3.1 Bayes决策的引入 上一章我们学习了一些分类器设计方法(如 线性分类器中的感知器算法、Fisher分类器等)。 现在的问题是，当分类器设计完成后，对 待测样本进行分类，一定能分类正确吗？若有 错分情况发生，是在哪种情况下出现的？错分 类的可能性有多大？这些是模式识别所涉及的 重要问题。 3.1.1 Bayes决策要解决的问题 这里以某制药厂生产的药品检验识别为例，说明 Bayes决策要解决的问题。 +:正常药品 x2 Separating plane -: 异常药品 - - - + + 对于左图的线性分类器， - - - 可用一直线作为决策面(即分界 + + + 面) 。若待识别的药品模式向量 - - - + + + X被划分到直线的右侧，则其 为正常药品，若被划分到直线 - + 的左侧，则其为异常药品，可 见对其作出决策是很容易的， x 1 也不会出现什么差错。 线性可分示意图 问题：可能出现模棱两可的情 在直线A 、B之间， 属于不 况，见下图。此时，任何决策 同类的样本在特征空间中相互穿 都存在判错的可能性。 插，很难用简单的分界线将它们 分开。 如果以错分类最小为原则分 类，则图中A可能是最佳分界线 ，它使错分类的样本数量最小。 A B x 但是，若将一个“-”样本错分成 2 + + + “+”类，所造成的损失要比将“+” - - - 分成“-”类严重，这是由于将异常 - - + + + + 药品误判正常药品，则会让病人 失去治