模式识别郝旷荣Chap2(MSSB-HKR).ppt

  1. 1、本文档共97页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
第二章 贝叶斯决策理论与 统计判别方法 §2.1 引 言   §2.2 几种常用的决策规则   §2.3 正态分布时的统计决策   §本章小节   §本章习题 2.2.2 基于最小风险的贝叶斯决策 例2.2   在例2.1条件的基础上,并且已知λ11=0,(λ11表示λ(α1|ω1)的简写),λ12=6,λ21=1,λ22=0,按最小风险贝叶斯决策进行分类。   解:已知条件为   P(ω1)=0.9, P(ω2)=0.1   p(X|ω1)=0.2, p(X|ω2)=0.4   λ11=0, λ12=6, λ21=1, λ22=0 根据2.1的计算结果可知后验概率为   P(ω1|X)=0.818, P(ω2|X)=0.182   再按式(2-14)计算出条件风险 2.2.2 基于最小风险的贝叶斯决策 再按式(2-14)计算出条件风险 由于R(α1|X)>R(α2|X)   即决策为ω2的条件风险小于决策为ω1的条件风险,因此应采取决策行动α2,即判待识别的细胞X为ω2类——异常细胞。    2.2.2 基于最小风险的贝叶斯决策 将本例与例2.1相对比,其分类结果正好相反,这是因为影响决策结果的因素又多了一个“损失”。由于两类错误决策所造成的损失相差很悬殊,因此“损失”在这里起了主导作用。 从以上讨论可以看出,正确制订损失函数值,是基于最小风险的贝叶斯决策方法在实际中使用的一个关键问题。 而实际中列出合适的决策表并不是一件容易的事,需根据所研究的具体问题,分析错误决策造成损失的严重程度,与有关专家共同商讨来确定    2.2.2 基于最小风险的贝叶斯决策 上面两种决策方法之间的关系 设损失函数为, (2-17) 式中假定对C类只有C个决策,不考虑“拒绝”等其它情况,(2-17)表明,当作出正确决策(即i=j)时没有损失,而对于任何错误决策,其损失均为1。这样定义的损失函数称为0—1损失函数。 2.2.2 基于最小风险的贝叶斯决策 根据(2-14)式条件风险为 (2-18) 而 也恰恰是将X判为ωi时的错误概率。因此基于最小风险的贝叶斯决策结果,在0—1损失函数情况下,也就是基于最小错误概率的贝叶斯决策结果。 最小错误率贝叶斯决策就是在0—1损失函数条件下的最小风险贝叶斯决策。换句话说,前者是后者的特例。 实际上 ,因此,当 最大时 最小。与基于最小错误率的贝叶斯决策的判据一样。 2.2.2 基于最小风险的贝叶斯决策 如果我们只考虑两类别问题,并只有一维特征向量的情况,我们可以画出一张与图2.4类似的图,用来表示最小风险贝叶斯决策方法的分类结果。 与图2.3不同的是,R1与R2两个区域的分界线不再是t,而是向左移了一段距离,这是由于损失函数λ12比λ21大所造成(可以假设λ11=λ22=0),在发生位移这一区域内,尽管P(x|ω1)P(ω1)P(x|ω2)P(ω2),但是为了减少将ω2错判为ω1所带来的严重损失,在P(x|ω2)P(ω2)尚不很小的情况下,使将ω2类样本错判为ω1的可能性减小,以减小决策所承担的风险。当然平均错误率则明显增大了。 2.2.2 基于最小风险的贝叶斯决策 图中紫线为分类线,左边被识别为第1类,右边为第2类,两条曲线为概率分布曲线,紫线左侧红线以下表示把第二类错分为第一类的可能性,另一块灰色区域含义类似。整个灰色区域加权后可以表示风险。 2.2.2 基于最小风险的贝叶斯决策 (2-13)式定义了样本为X作出i决策时的期望风险 一种是由于样本存在分属各类的可能性,而对实属一类却决策成i类会造成程度不同的损失,因而期望损失应是风险系数 与 相乘之总和。 另一种看法可以将损失看成是对后验概率的重要性作加权, 是对 的加权系数。因此只要 稍大一点,就会使风险明显增大。 公式(2-17)与(2-1

您可能关注的文档

文档评论(0)

130****8629 + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档