模式识别习的题目及问题详解.doc

实用标准文案 精彩文档 第一章 绪论 1.什么是模式？具体事物所具有的信息。 模式所指的不是事物本身，而是我们从事物中获得的___信息__。 2.模式识别的定义？让计算机来判断事物。 3.模式识别系统主要由哪些部分组成？数据获取—预处理—特征提取与选择—分类器设计/ 分类决策。 第二章 贝叶斯决策理论 1.最小错误率贝叶斯决策过程？ 答：已知先验概率，类条件概率。利用贝叶斯公式 得到后验概率。根据后验概率大小进行决策分析。 2.最小错误率贝叶斯分类器设计过程？ 答：根据训练数据求出先验概率 类条件概率分布 利用贝叶斯公式得到后验概率 如果输入待测样本X，计算X的后验概率根据后验概率大小进行分类决策分析。 3.最小错误率贝叶斯决策规则有哪几种常用的表示形式？ 答： 4.贝叶斯决策为什么称为最小错误率贝叶斯决策？ 答：最小错误率Bayes决策使得每个观测值下的条件错误率最小因而保证了（平均）错误率 最小。Bayes决策是最优决策：即，能使决策错误率最小。 5.贝叶斯决策是由先验概率和（类条件概率）概率，推导（后验概率）概率，然后利用这个概率进行决策。 6.利用乘法法则和全概率公式证明贝叶斯公式 答：所以推出贝叶斯公式 7.朴素贝叶斯方法的条件独立假设是（P(x| ωi) =P(x1, x2, …, xn | ωi) = P(x1| ωi) P(x2| ωi)… P(xn| ωi)） 怎样利用朴素贝叶斯方法获得各个属性的类条件概率分布？ 答：假设各属性独立，P(x| ωi) =P(x1, x2, …, xn | ωi) = P(x1| ωi) P(x2| ωi)… P(xn| ωi) 后验概率：P(ωi|x) = P(ωi) P(x1| ωi) P(x2| ωi)… P(xn| ωi) 类别清晰的直接分类算，如果是数据连续的，假设属性服从正态分布，算出每个类的均值方差，最后得到类条件概率分布。 均值： 方差： 计算属性Marital Status的类条件概率分布 给表格计算，婚姻状况几个类别和分类几个就求出多少个类条件概率。 10，朴素贝叶斯分类器的优缺点？ 答：分类器容易实现。 面对孤立的噪声点，朴素贝叶斯分类器是健壮的。因为在从数据中估计条件概率时。 这些点被平均。面对无关属性，该分类器是健壮的。相关属性可能降低分类器的性能。因为对这些属性，条件独立的假设已不成立。 我们将划分决策域的边界称为(决策面)，在数学上用可以表示成(决策面方程) 用于表达决策规则的函数称为(判别函数) 判别函数与决策面方程是密切相关的，且它们都由相应的决策规则所确定. 写出多元正态概率下的最小错误率贝叶斯决策的判别函数，即 多元正态概率下的最小错误率贝叶斯决策的决策面方程为 多元正态概率下的最小错误率贝叶斯决策，当类条件概率分布的协方差矩阵为 时，每类的协方差矩阵相等，且类内各特征间（相互独立），并具有相等的方差。 多元正态概率下的最小错误率贝叶斯决策，如果先验概率相等，并且i=1,2,...c，那么分类问题转化为只要计算待测样本x到各类均值的(欧式距离)，然后把x归于具有（最小距离平方）的类。这种分类器称为（最小距离分类器）。 多元正态概率下的最小错误率贝叶斯决策，类条件 概率密度各类的协方差矩阵不相等时，决策面是（超二次曲面），判别函数是（二次型） 第三章 概率密度函数的估计 类条件概率密度估计的两种主要方法（参数估计）和（非参数估计）。 类条件概率密度估计的非参数估计有两种主要的方法（Parzen窗法）和（KN近邻法）。它们的基本原理都是基于样本对分布的（未知）原则。 如果有N个样本，可以计算样本邻域的体积V，然后获得V中的样本数k，那么P(x)= 假设正常细胞和癌细胞的样本的类条件概率服从多元正态分布 ，使用最大似然估计方法，对概率密度的参数估计的结果为。 证明：使用最大似然估计方法，对一元正态概率密度的参数估计的结果如下： 5.已知5个样本和2个属性构成的数据集中，w1类有3个样本，w2类有两个样本。如果使用贝叶斯方法设计分类器，需要获得各类样本的条件概率分布，现假设样本服从多元正态分 布