第四章统计判决.pptVIP

样本： 像素 先验概率： 皮肤：P（?1）=7.99% 非皮肤：P（?2）=92.01% 类条件概率密度： P(x|?1): 0.9855 0.0143 0 0 0 0 0 0.0002 P(x|?2): 0.0790 0.7820 0.0742 0.0192 0.0199 0.0074 0.0072 0.0108 皮肤 非皮肤 训练样本 待分类图像 18 67 33 皮肤：P（?1）=10% 非皮肤：P（?2）=90% P(x|?1): 0.9855 ；0.0143； 0 ； 0 ； 0 ； 0 ； 0 ； 0.0002 P(x|?2): 0.0790；0.7820 ；0.0742 0.0192；0.0199；0.0074 0.0072；0.0108 ?11= 0,?12=10,?21=1, ?22=0 * 判决阀值：decision threshold value * 条件期望损失：做决策?j的平均损失 ?ij 又称penalty (处罚) 设 , , 这时 要使 即 亦即 一般有： 含拒判决策的最小损失判决规则为 如果 ，则对 拒判； 如果 ，则判 。 当 即 时 恒成立，故此时不存在拒判。 对于两类问题，存在拒判决策的条件是 判决规则如下： 如果 ，则判 ； 如果 ，则判 ； 如果 ，则对 拒判。 作业：p125-127，习题4.2, 4.9 4·3 最小最大损失准则 实际中，类先验概率 P(?i) 往往不能精确知道或在分析过程中是变动的，从而导致判决域不是最佳的。所以应考虑如何解决在 P(?i) 不确知或变动的情况下使平均损失变大的问题。 第四章 统计判决 对于两类问题，设一种分类识别决策将特征空?间分划为两个子空间?1和?2，记?ij为将实属?i类的模式判为?j的损失函数，各种判决的平均损失为 利用 则平均损失可写为 由于0 ? P(?1 ) ? 1，所以平均损失值有a ? R ? a + b 由上式可见，当类概密、损失函数?ij 、类域?i 取定后，R是P(?1)的线性函数。 考虑P(?1)的各种可能取值情况，为此在区间(0,1)中取若干个不同的P(?1)值，并分别按最小损失准则确定相应的最佳决策类域?1 、 ?2 ，然后计算出其相应的最小平均损失R*，从而可得最小平均损失R*与先验概率P(?1)的关系曲线 PA(?1) 1 P(?1) A C D R* B R*B 0 D’ C’ 按最小损失准则找出P(ω1)对应于(0,1)中的各个 不同P(ω1)值的最佳决策类域?1、 ?2 ; 计算相应各个最佳决策类域的最小平均损失，得 R*～ P(ω1)曲线; 找出使R*取最大值的P*(ω1) ; 运用P*(ω1) 、 P*(ω2) =1- P*(ω1)及?ij构造似然比阈值; 运用最小损失准则下的决策规则 对具体的模式分类识别: 设计步骤 当采用0-1损失函数时，由b=0可得 上式表明，最小最大损失判决导出的最佳分界面应使两类错误概率相等，此时的平均损失为： ?1 ?2 x p(x|?1) p(x|?2) 最小最大损失准则判决域示意图 若采用0-1损失函数，则： 4·4 N-P(Neyman—Pearson)判决 实际问题中，可能存在以下几种情况： ⑴ 不知道各类的先验概率P(?i )； ⑵ 难于确定误判的代价?ij ； ⑶ 某一种错误较另一种错误更为重要。 针对⑴，可以采用最小最大损失准则或令各类概率相等的办法克服； 针对⑵，如果允许，可以避开使用损失函数而采用最小误判概率准则； 针对(3)，可以采用最小损失准则判决。针对上面三个问题，更主要的是针对⑶，可采用N-P准则。 第四章 统计判决 对两类问题,设已知 且 将实属?1类的模式判为属?2类的误判概率为 将实属?2类的模式判为属?1类的误判概率为 令?21=?0=常数，求使?12最小的判决域 运用Lagrage乘子法求条