第四次学习总结 陈书燊.pptxVIP

模式识别 第四次学习总结 陈书燊非线性判别函数1分段线性判别函数2用凹函数的并表示分段线性判别函数3用交遇区的样本设计分段线性分类器4二次判别函数Company Logo前言前面的线性分类器对于多分类问题，采用树分类器进行分类。若在树分类器的各节点上采用线性判别规则，构成了一个分段线性分类器。 在实际中，有很多实际模式识别问题并不是线性可分的，需要采用非线性分类器。当两类样本分布具有多峰性质并互相交错，简单的线性判别函数会带来较大的分类错误。Company Logo分段线性判别函数 基于距离的分段线性判别函数 正态分布条件下，两类别问题在各特征统计独立、同方差、且先验概率相等情况下，最小错误率决策可按最小距离决策，即Company Logo分段线性判别函数按距离分类的原理是可以推广的，即把各类别样本特征向量的均值作为各类的代表点，而样本的类别按它到各类别代表点的最小距离划分。在这种判别函数中，决策面是两类别均值连线的垂直平分面。最小距离分类器只有在各类别密集地分布在其均值附近时才有效。Company Logo分段线性判别函数每类不只取单个代表点而是多个。分段线性距离分类器： 步骤1.先对每一类找到及子区域中心的最小距离；步骤2.对于每一类子区域最小距离进行排序，选择最小作为决策。 Company Logo分段线性判别函数分段线性分类器设计的一般考虑 分类器设计的基本问