也就是概率密度函数的-Read.PPTVIP

Chapter 4 Non-Parametric Classification – 非参数技术 内容介绍 传统的参数形式的密度函数都是单模的，也即是只有单个局部极大值，而现实生活中所遇到的却常常是多模的情况 “非参数化方法”能处理任意的概率分布，不必假设密度的参数形式已知 在模式识别中，有两种常用的非参数化方法： 从训练样本中估计概率密度函数P(x | ?j ) 跳过概率密度函数估计，直接估计后验概率 4.2 概率密度函数的估计 － Density Estimation 一个向量 落在区域 中的概率为 (1) 这里 是概率密度函数 的平滑了的版本。假设N个样本 都是根据概率密度函数 独立同分布抽取的,显然，其中k个样本罗在区域 中的概率服从二项式定理： (2) k的期望值为： (3) 有最大似然估计ML可得 就是概率P的一个很好的估计，这个估计当样本个数n很大的时候将非常精确。 假设 是连续的，并且区域R足够小，以至于在这个区间中p几乎没有什么变化，这时则有： (4) 其中 为一个点，而 则是区域R所包含的体积，也即是： (5) 密度估计的收敛条件 如果固定体积V的值，并且能够获得的训练样本足够多，那么比值 将能够收敛，但是此时的收敛结果是 的空间平滑后的版本： (6) 首先我们构造一系列包含点 的区域： 。第一个区域使用1个样本点，第二个区域使用2个样本点，等等。记 为区域 的体积， 为落在区间 中的样本个数而 表示对 的第 次估计： (7) 条件（1）保证了在区域均匀收缩和 在点 处连续的情况下，空间平滑了的 能够收敛到 条件（2）只有在 时才有意义，保证了频率之比能够收敛到概率 条件（3）对于保证公式（7）的收敛性显然是需要的，这个条件也保证了虽然最后落在小区域 中的样本个数非常大，但这么多样本在全体样本中所占的比例仍然是很小的 首先，我们定义如下的窗函数，从而解析地得到落在窗中的本 个数 的表达式： (8) 这样， 就表示一个中心点在原点的单位超立方体。如果 落在 超立方体 中，那么 ,否则为0。这里假设区间 是一个 维的超立方体。 表示其一条边的长度，体积为 。 因此落在超立方体中的样本点个数为： (9) 2. 使用不同的窗宽度和样本数量对二维正态概率密度进行的Parzen 窗估计的结果 4.3.5 概率神经网络 —Probabilistic Neural Network (PNN) 4.4 －近邻估计 如果使用最近邻规则，那么每当 时，就产生一次分类误差，这样上式就可化为 由于当n趋近于无穷大时， 逼近狄拉克函数，如果 在x处连续，那么我们就可以得到 （20） （21） 4.5.3 误差界 无限样本个数时的最近邻规则的误差率P为： 当贝叶斯误差率非常小时，最近邻规则的误差率约等于贝叶斯