第3章节bayes决策理论_2.pptVIP

第1章 绪论 第3章 Bayes决策理论 3.1 最小错误概率的Bayes决策 3.2　最小风险的Bayes决策 3.3　Neyman-Pearson决策 3.4 最小最大决策 3.5　Bayes分类器和判别函数 3.6 正态分布时的Bayes决策法则 3.7　离散情况的Bayes决策 在上一章，我们介绍了线性判别函数，作了一个假设——抽取到的模式样本的边界是“整齐”而不混杂的，而且 以后遇到的待分类模式基本上不超过学习样本的分布范围，从而利用这些样本得到的分类边界是无误差的。但是实际上因为试验的样本是从总体中随机抽取的，不能保证用过去的抽取的样本训练得到的分类边界对新的模式样本也能较好地分类。因此，考虑样本不确定性的模式识别方法是非常重要 的。另外，还有特征选择不完善所引起的不确定性，模式数据采集和预处理和特征抽取过程中干扰和噪声引起的不确定性。综上，我们引出统计决策的方法。 对模式 识别的主要统计方法是Bayes决策理论，它是用概率论的方法研究决策问题，要求 （1）各类别先验概率以及条件概率密度均为已知 ，即各类别总体的概率分布是已知的； （2） 要决策分类的类别是一定的； 3.1 最小错误概率的Bayes决策 在模式识别问题中，感兴趣的往往是尽量减小分类错误的概率。为此，我们可以建立一个能得到最小错误率的决策方法。看一个简单的例子。 假设某