模式识别习的题目及问题详解.docxVIP

实用标准文案 第一章 绪论 什么是模式？具体事物所具有的信息。 模式所指的不是事物本身，而是我们从事物中获得的 信息 。 模式识别的定义？让计算机来判断事物。 模式识别系统主要由哪些部分组成？ 数据获取—预处理—特征提取与选择—分类器设计/ 分类决策。 第二章 贝叶斯决策理论 如果 l ( x ) ? p ( x | w ) 1 ? _ p ( w ) / p ( w ) _, 则 x ? ? w ? 1?p ( x | w ) ? ? 1 ? 2 2 最小错误率贝叶斯决策过程？ P ( x | w ) P ( w ) P ( w 答：已知先验概率，类条件概率。利用贝叶斯公式 i 得到后验概率。根据后验概率大小进行决策分析。 最小错误率贝叶斯分类器设计过程？ | x ) ? ?2 j ? 1 i P ( x | w i ) P ( w ) j j 答：根据训练数据求出先验概率P ( w ), i ? 1 , 2 i 类条件概率分布p ( x | w ), i ? 1 , 2 i P ( x | w ) P ( w ) 利用贝叶斯公式得到后验概率P ( w | x ) ? i?2 i i P ( x | w i ) P ( w ) j j 如果输入待测样本 X，计算 X 的后验概率根据j ?后1 验概率大小进行分类决策分析。 最小错误率贝叶斯决策规则有哪几种常用的表示形式？ 答 ： 贝叶斯决策为什么称为最小错误率贝叶斯决策？ 答：最小错误率 Bayes 决策使得每个观测值下的条件错误率最小因而保证了（平均）错误率最小。Bayes 决策是最优决策：即，能使决策错误率最小。 贝叶斯决策是由先验概率和（类条件概率）概率，推导（后验概率）概率，然后利用这个概率进行决策。 利用乘法法则和全概率公式证明贝叶斯公式 p( AB) ? p( A | B) p(B) ? p(B | A) p( A)  P ( B | A ) P ( A ) 答： p(B) ? ?m  p(B | Aj) p( Aj)  所以推出贝叶斯公式 P ( A i | B ) ? i i P ( B ) P ( B | A ) P ( A ) j ?1 ? ?M j ? 1  P ( B | i i A ) P ( A ) j 朴素贝叶斯方法的条件独立假设是（P(x| ω i) =P(x1, x2, …, xn | ω i) 精彩文档 实用标准文案 = P(x1| ω i) P(x2| ω i)… P(xn| ω i)） 怎样利用朴素贝叶斯方法获得各个属性的类条件概率分布？ 答：假设各属性独立，P(x| ω i) =P(x1, x2, …, xn | ω i) = P(x1| ω i) P(x2| ω i)… P(xn| ω i) 后验概率：P(ω i|x) = P(ω i) P(x1| ω i) P(x2| ω i)… P(xn| ω i) 类别清晰的直接分类算，如果是数据连续的，假设属性服从正态分布，算出每个类的均值方差，最后得到类条件概率分布。 均值： mean(x) ? 1 ?m m i?1 xi 方差： var(x) ? 1 m ?1 ?m i?1 (xi ? x)^2 计算属性 Marital Status 的类条件概率分布 给表格计算，婚姻状况几个类别和分类几个就求出多少个类条件概率。 10，朴素贝叶斯分类器的优缺点？ 答：分类器容易实现。 面对孤立的噪声点，朴素贝叶斯分类器是健壮的。因为在从数据中估计条件概率时。 这些点被平均。面对无关属性，该分类器是健壮的。相关属性可能降低分类器的性能。因为对这些属性，条件独立的假设已不成立。 我们将划分决策域的边界称为(决策面)，在数学上用可以表示成(决策面方程) 用于表达决策规则的函数称为(判别函数) ?判别函数与决策面方程是密切相关的，且它们都由相应的决策规则所确定. ? p(x | ? )P(? )) ? 写出多元正态概率下的最小错误率贝叶斯决策的判别函数，即g (x) i ln( i i ? ? 1 2 ( x ? μ )T ? i i ? 1 ( x ? μ ) i ? d ln 2? ? 1 ln ? ? ln P (? ) 2 2 i i 多元正态概率下的最小错误率贝叶斯决策的决策面方程为 g (x )? g x( ?) 0 i j 多元正态概率下的最小错误率贝叶斯决策，当类条件概率分布的协方差矩阵为 ? ? ? ? 2? 时，每类的协方差矩阵相等，且类内各特征间（相互独立），并具有相等的 i 方差。 多元正态概率下的最小错误率贝叶斯决策，如果先验概率相等，并? i  ?