3第三新章线性判别函数.pptVIP

  • 1
  • 0
  • 约5.13千字
  • 约 50页
  • 2019-01-01 发布于福建
  • 举报
3第三新章线性判别函数

第三章 线性判别函数 郝红卫 第三章 线性判别函数 3.1 引言 3.2 线性判别函数和决策面 3.3 广义线性判别函数 3.4 两类线性可分情况 3.5 梯度下降算法 3.6 感知准则函数最小化 3.7 松弛算法 3.8 最小平方误差方法 引 言 贝叶斯公式中需要知道类条件概率密度函数和先验概率 在实际中,我们通常只能得到有限数目的样本 因此,分类器的设计过程可以分为两步: 利用样本集估计先验概率和类条件概率密度函数 将估计值代入贝叶斯公式,完成分类器设计 引 言 先验概率的估计: 比较容易。 比如,癌细胞识别中,可以根据细胞病理检查的统计结果得到正常与异常的大致比例。 密度函数的估计: 非常困难。只能根据样本进行估计。 引 言 解决的思路: 迎难而上 参数估计:假定密度函数是种分布,即分布形式已知但参数未知,通过训练样本估计分布的参数 比如,假定分布为正态,可以利用样本估计其均值和方差。 非参数方法:分布的形式未知,直接通过样本估计密度函数的形式和参数 另辟蹊径 引 言 在对正态分布下贝叶斯决策理论的讨论中,我们看到,在正态假设下,可以得到一些简单方便的判别函数。如:最小距离,线性判别函数。 我们可以绕过对密度的估计,直接得到判别函数 在所有的判别函数中,最简单的是线性判别函数 引 言 线性判别函数的

您可能关注的文档

文档评论(0)

1亿VIP精品文档

相关文档