- 1
- 0
- 约2千字
- 约 26页
- 2019-08-10 发布于广东
- 举报
第五章 分类器设计 本章主要内容 分类器设计准则 分类器设计基本方法 判别函数 训练与学习 分类器设计准则 分类问题是根据待识别对象所呈现的观察值,将其分到某个类别中去。具体步骤是: 1.建立特征空间中的训练集,已知训练集里某个点所属类别。 2.从这些条件出发寻求某种判别函数或判别准则,设计判别函数模型。 3.根据训练集中的样品确定模型中的参数,得到完善的判别函数模型 4.利用完善的判别函数或判别准则去判别每个未知类别的点应该属于哪类 分类器设计准则 在统计模式识别中,讨论的主要问题不是决策正误,而是决策正误的概率问题。模式识别所强调的“最佳”“最优”,这种最优是针对某一设计原则讲的,这种原则成为准则。 这种准则包括: 最小错误率准则:以减少分类错误为原则 最小风险准则:引入风险损失概念,赋予不同权值,使总的风险最小 近邻准则:依据同类物体在空间中具有聚类特性的原理进行区分。 Fisher准则:寻求最好的直线方向以及如何实现向最好方向投影的变换 感知准则:感知准则函数使错分类样品到分界面距离之和最小为原则。 分类器设计基本方法 1.模板匹配法 通常采用最近邻原则,最简单的一种分类方法,缺点是计算量大、存储量大。 2.判别函数法 (1)基于概率统计的分类法 往往取决于前期统计分布的相关知识,最经典的BAYES分类器,利用先验概率和类条件概率密度函数,计算
原创力文档

文档评论(0)