2010/9/24 10 概念和名词约定 概念和名词约定 口样本sample:待研究对象的个体，包括性质已 口分类器classifier:能将每个样本分到某个类 知或未知的个体。 别中（或拒绝）的计算机算法 口类别c1ass:将所研究的样本性质离散化成有限 ■是从特征空间到决策空间的映射： 的类别，同一类的样本在该性质上不可区分。 ■分类器将特征空间划分为若干区域（决策域， decision region): ■类别用@(i=1,2,,c,共c类)表示： ■不同类别区域之间的边界称作分类/决策边界 口已知样本：类别情况已知的样本。 分类/决策面(decision boundary)。 口未知样本：类别情况未知的样本。 口样本集：若干样本的集合，分已知样本集和未知 样本集。 概念和名词约定 口特征features ■样本的任何可区分且可观测的属性： 贝叶斯决策理论 ·包括定量特征和定性特征，通常最后转化为定量 特征： ■特征向量feature vectors:样本的所有特征 组成的维向量，是样本在数学上的表达，因此 也称为样本： =2,,x 概念和名词约定 贝叶斯定理 口特征空间feature space:d维特征向量的所 Reverend Thomas Bayes 有可能取值范围构成的d维特征空间。 1702-1761 ·每个样本（特征向量）是该空间中的一个点，每 类别则是该空间中的一个区域。 P(x)= P(y)P(r) ∑P(yz)P(z) IE The paper was sent to the alSocicty by Risha a friend of Bayes',who wrote:. Feature space3可 Seatter plot(2D) 22010/9/24 2 7 概念和名词约定  样本sample：待研究对象的个体，包括性质已 知或未知的个体。  类别class：将所研究的样本性质离散化成有限 的类别，同一类的样本在该性质上不可区分。  类别用ωi (i=1，2，…，c，共c类)表示；  已知样本：类别情况已知的样本。  未知样本: 类别情况未知的样本。  样本集：若干样本的集合，分已知样本集和未知 样本集。 8 概念和名词约定  特征features  样本的任何可区分且可观测的属性；  包括定量特征和定性特征，通常最后转化为定量 特征；  特征向量feature vectors：样本的所有特征 组成的d维向量，是样本在数学上的表达，因此 也称为样本；   , , , . 1 2 T d x  x x  x 9 概念和名词约定  特征空间feature space：d维特征向量的所 有可能取值范围构成的d维特征空间。  每个样本（特征向量）是该空间中的一个点，每 类别则是该空间中的一个区域。 10 概念和名词约定  分类器classifier：能将每个样本分到某个类 别中（或拒绝）的计算机算法  是从特征空间到决策空间的映射；  分类器将特征空间划分为若干区域（决策域， decision region）；  不同类别区域之间的边界称作分类/决策边界、 分类/决策面（decision boundary）。 贝叶斯决策理论 12 贝叶斯定理