02贝叶斯决策资料.pptVIP

第二章 贝叶斯决策理论 §2.1 基于最小错误率的贝叶斯判别法 §2.2 基于贝叶斯公式的几种判别规则 §2.3 正态分布模式的统计决策 §2.4 概率密度函数的估计 §2.5 贝叶斯分类器的错误概率 第二章 贝叶斯决策理论 模式识别的分类问题就是根据待识客体的特征向量值及其它约束条件将其分到各个类别中去。 贝叶斯决策理论是处理模式分类问题的基本理论之一。 贝叶斯分类器在统计模式识别中被称为最优分类器。 贝叶斯分类器分类器必须满足下列两个先决条件： 1，要决策分类的类别数是一定的； 2，各类别总体的概率分布是已知的。 §2.1 基于最小错误率的贝叶斯判别法 Bayes分类器 — 最优分类器、最佳分类器 一、两类问题 例如：细胞识别问题 ω1正常细胞，ω2异常细胞 某地区，经大量统计获先验概率P(ω1),P(ω2) 若取该地区某人细胞 x 属何种细胞 ，只能由 先验概率决定。 §2.2 基于贝叶斯公式的几种判别规则 一、基于最小风险的贝叶斯决策 在某些情况下，引入风险的概念，以求风险最小的决策则更为合理。例如对癌细胞的识别，要判断某人是正常(ω1)还是患者(ω2),在判断中可能出现以下情况： 判对(正常→正常) λ11 ；判错(正常→异常) λ21