基于最小错误率的贝叶斯决策 基于最小错误率的贝叶斯决策 口目标:最小化决策的平均错误率P(eror) 口计算条件错误率(以两类别为例) 口P(error):在特征向量观测值的整个可能取值范 围内的错误率的均值。 [P(@x),if assign x P(errorx)= P(o|x),if assign x∈o2 Peror))=」P(error,.xh P(error)p(xds ■因为P(error|x)≥0,p(x)≥0,x E(P(errorx)). →minP(error)一minP(error|x,for allx ▣平均错误率是条件错误率的数学期望。 基于最小错误率的贝叶斯决策 基于最小错误率的贝叶斯决策 口判决规则 口判决规则的等价形式 ■最大化后验概率准则 ■比较大小不需计算P(x),即 o,if P(@x)>P(@x) assign xE @if p(xlo)P(@)>p(xlo2)P(@2) 02, otherwise assignx∈ @,otherwise →P(eor|x)=min{P(o,lx,P(o2lx),廿x o如果对于某个X,有px|)=p(x@2),判决取 ■最小错误率的贝叶斯决策是一致最优决策。 决于先验概率: a如果P(a)=P(a),判决取决于似然概率。 基于最小错误率的贝叶斯决策 基于最小错误率的贝叶斯决策 口判决规则的等价形式 口例解:两类鱼的自动分类问题,鲈鱼(o)和鲑 。最大化似然比准则 鱼(⊙),用鱼长度的观察值(x)为特征。 o,if I(x)=p(xlo P(o) ■根据统计结果:P(xo,) assign x∈ p(xl@2)P(@) 口P(a)=/3; 2,otherwise DP(a2)=2/3; 娃鱼 鲈鱼 P(x|2 Px|)/ 0.5 ■对似然比取负对数 0.05 assign xE if)=-In p+p)In( 口px|0),p(x02)见图示。 10 P(叫) 03, otherwise ■如何将一条长为10的鱼分类?基于最小错误率的贝叶斯决策 目标:最小化决策的平均错误率 :在特征向量观测值的整个可能取值范 围内的错误率的均值。 平均错误率是条件错误率的数学期望。 ( ) ( ,) ( | ) () ( ( | )). P error P error x dx P error x p x dx E P error x P(error) P(error) 基于最小错误率的贝叶斯决策 计算条件错误率(以两类别为例) 因为 P error x p x x ( | ) 0, ( ) 0, min ( ) min ( | ), for all P error P error x x 2 1 1 2 ( | ), if assign x ( |) ( | ), if assign x P x P error x P x 基于最小错误率的贝叶斯决策 判决规则 最大化后验概率准则 最小错误率的贝叶斯决策是一致最优决策。 11 2 2 , if ( | ) ( | ) assign , otherwise P xP x x 1 2 P error x P x P x x ( | ) min{ ( | ), ( | )}, 基于最小错误率的贝叶斯决策 判决规则的等价形式 比较大小不需计算 ,即 如果对于某个x,有 ,判决取 决于先验概率; 如果 ,判决取决于似然概率。 1 11 2 2 2 , if ( | ) ( ) ( | ) ( ) assign , otherwise px P px P x p( ) x ( | ) ( | ) 1 2 p x p x 1 2 P P () () 基于最小错误率的贝叶斯决策 判决规则的等价形式 最大化似然比准则 对似然比取负对数 2 2 1 1 1 2 ( ) ( ) (| ) , if ( ) assign (| ) , otherwise p x l x P x p x P 2 1 12 1 2 ( ) , if ( ) ln ( | ) ln ( | ) ln ) assign ( ) , otherwise P hx px px x P 基于最小错误率的贝叶斯决策 例解:两类鱼的自动分类问题,鲈鱼(ω1)和鲑 鱼(ω2),用鱼长度的观察值(x)为特征。 根据统计结果: 见图示。 如何将一条长为10的鱼分类? ( ) 1 3; P 1 2 P( ) 2 3; ( | ), ( | ) 1 2 p x p x 10 1 P x(| ) x (| ) P x i 鲈鱼 鲑鱼 0.05 0.5 2 P x(| )