贝叶斯决策理论课件.pptxVIP

贝叶斯决策理论Bayesian Decision Theory;贝叶斯决策理论;引言;引言;引言;引言;贝叶斯决策理论;Bayes决策准则;假设你昨晚目击了一起夜间出租车肇事逃逸事件，你记得看到的肇事出租车是蓝色的，而且你还知道下面2条信息，那么你会认为肇事出租车是什么颜色的？ (1) 西安所有的出租车都是绿色或蓝色的； (2) 大量实验表明，在昏暗的灯光条件下，人眼对于蓝色和绿色的区分的可靠度是75%； 假设随后你又了解到第3条信息：（3）西安的出租车10辆中有9辆是绿色的，此时你又会得出怎样的结论？ ;用B表示事件“肇事车是蓝色的”，用LB表示“肇事车看起来是蓝色的”， 则对颜色区分准确程度的概率可以表示为 P(LB|B)=0.75 P(~LB|~B)=0.75 对当肇事车看起来是蓝色的情况下，确实是蓝色的概率为 P(B|LB)∝P(LB|B)P(B)∝0.75P(B) P(~B|LB)∝P(LB|~B)P(~B)∝0.25(1-P(B)) 而西安的出租车10辆中有9辆是绿色的，则给出了先验概率P(B)=0.1，于是有 P(B|LB)∝0.75×0.1=0.075 P(~B|LB)∝0.25(1-P(B))=0.25×0.9=0.225 P(B|LB)=0.075/0.072+0.225=0.25 P(~B|LB)=0.225/0.072+0.225=0.75 因此肇事车辆为绿色。 ;Some about Bayes(2);算出学校里面有多少穿长裤的，然后在这些人里面再算出有多少女生？即要求的就是P(Girl|Pants)。 假设校园内总人数为U，计算的结果是 U * P(Girl) * P(Pants|Girl) / [U * P(Boy) * P(Pants|Boy) + U * P(Girl) * P(Pants|Girl)] 。容易发现这里校园内人的总数是无关的，可以消去。于是得到 P(Girl|Pants) = P(Girl) * P(Pants|Girl) / [P(Boy) * P(Pants|Boy) + P(Girl) * P(Pants|Girl)] 注意，如果把上式收缩起来，分母其实就是 P(Pants) ，分子其实就是 P(Pants, Girl) 。而这个比例很自然地就读作：在穿长裤的人（ P(Pants) ）里面有多少（穿长裤）的女孩（ P(Pants, Girl) ）。 上式中的 Pants 和 Boy/Girl 可以指代一切东西，所以其一般形式就是： P(B|A) = P(A|B) * P(B) / [P(A|B) * P(B) + P(A|~B) * P(~B) ] ;最小错误率准则;最小错误率准则;最小错误率准则;最小错误率准则;最小错误率准则;最小错误率准则;最小错误率准则;最小错误率准则;最小错误率准则;最小错误率准则;最小错误率准则;最小错误率准则;最小错误率准则;最小错误率准则;最小错误率准则;最小错误率准则;Bayes决策准则;最小风险准则;最小风险准则;最小风险准则;似然比公式;最小风险准则;最小风险准则;最小风险准则;Bayes决策准则;Neyman-Pearson准则;Neyman-Pearson准则;Neyman-Pearson准则;Neyman-Pearson准则;Neyman-Pearson准则;Neyman-Pearson准则;Bayes决策准则;最小最大决策准则;最小最大决策准则;最小最大决策准则;最小最大决策准则;最小最大决策准则;最小最大决策准则;最小最大决策准则;贝叶斯决策理论;分类器，判别函数，决策面;分类器，判别函数，决策面;分类器，判别函数，决策面;分类器，判别函数，决策面;分类器，判别函数，决策面;分类器，判别函数，决策面;分类器，判别函数，决策面;贝叶斯决策理论;正态分布的统计决策;正态分布的统计决策;正态分布的统计决策;多元正态分布的性质;多元正态分布的性质;多元正态分布的性质;多元正态分布的性质;多元正态分布的性质;正态分布的判别函数;正态分布的判别函数;情况一：;因此，等价的判决函数为：;当;情况一：最小距离分类器;情况一：最小距离分类器;各类的协方差矩阵相等，在几何上，相当于各类样本集中在以该类均值　为中心的同样大小和形状的超椭球内。;一个特例：当;一般地，决策函数;决策面;当各类先验概率不相等时，　不在　　　的中点上，而是偏向先验概率较小的均值点。;时;情况三：任意的;——对应的决策面为超二次