贝叶斯决策理论概述 贝叶斯决策理论概述 口贝叶斯决策理论是解决模式分类问题的一种基本 口例1:医生根据病人血液中白细胞的浓度来判断 统计途径。 病人是否患有血液病。 口对问题的要求/条件 ■一个人的白细胞浓度是3100,医生应该做出怎 ■决策问题可以用概率的形式来描述: 样的判断?(两类别的识别问题) ■所有有关的概率结构均已知。 口出发点是利用概率的不同分类决策和相应的决策 ■根据医学知识和以往的经验医生知道: 代价之间的定量折中。 口一般人群中,患病的人数比例为0.5% 口对于同一个问题,采用不同的决策标准将得到不 口患病的人白细胞的浓度服从均值2000,方差 同意义下“最优”的决策。其中最具代表性的是: 1000的正态分布:未患病的人白细胞的浓度服从 ■最小错误率 均值7000,方差3000的正态分布: ■最小风险 贝叶斯决策理论概述 贝叶斯决策理论概述 口数学表示 口先验概率(priori probabilities/prior) ■用Q表示“类别”这一随机变量,类别@1和⊙2分 ■根据大量统计数据确定某个类别事物出现的比例。 别表示“患病”和“未患病”。 ■例1中的两个类别的先验概率分布分别是: P(2=u)=0.5% ■用x表示“白细胞浓度值”这一随机变量。 P2=0,)=99.5% ■决策空间⊙={01,w2}。 P(Q=a)+P2=)=1 (挂他性、穷举性) ■“先验” 口没有获得观测数据(病人白细胞浓度)之前类别 的分布。 口只针对w1和ω2出现的可能性,不考虑其他任何因 素(如白细胞浓度)。 贝叶斯决策理论概述 贝叶斯决策理论概述 o先验概率(priori probabilities/prior) 口类条件概率(Class-conditional Probabilities) ■仅依据先验信息的判决规则: ■可利用白细胞浓度值×(连续随机变量)来帮助 判决: ,ifP@>P@2) ■X的分布取决于类别状态(患病或未患病),用 Decide otherwise 类条件概率密度函数来表示: px|m)~N(2000,1000: ■判决的误差概率 px|o2)~N(7000,3000 口p(xo)是指在类别w下,在一个连续的函数空 P(error)=minP(a),P() 间中观测到×的可能性。 Dp(x|)和px|)间的区别表示了血液病人和 非血液病人之间白细胞浓度值的区别。贝叶斯决策理论概述 贝叶斯决策理论是解决模式分类问题的一种基本 统计途径。 对问题的要求/条件 决策问题可以用概率的形式来描述; 所有有关的概率结构均已知。 出发点是利用概率的不同分类决策和相应的决策 代价之间的定量折中。 对于同一个问题,采用不同的决策标准将得到不 同意义下“最优”的决策。其中最具代表性的是: 最小错误率 最小风险 贝叶斯决策理论概述 例1:医生根据病人血液中白细胞的浓度来判断 病人是否患有血液病。 一个人的白细胞浓度是3100,医生应该做出怎 样的判断? (两类别的识别问题) 根据医学知识和以往的经验医生知道: 一般人群中,患病的人数比例为0.5%。 患病的人白细胞的浓度服从均值2000,方差 1000的正态分布;未患病的人白细胞的浓度服从 均值7000,方差3000的正态分布; 贝叶斯决策理论概述 数学表示 用Ω表示“类别”这一随机变量,类别ω1和ω2分 别表示“患病” 和“未患病”。 用x表示“白细胞浓度值”这一随机变量。 决策空间Θ={ω1,ω2}。 贝叶斯决策理论概述 先验概率 (priori probabilities / prior) 根据大量统计数据确定某个类别事物出现的比例。 例1中的两个类别的先验概率分布分别是: “先验” —— 没有获得观测数据(病人白细胞浓度)之前类别 的分布。 只针对ω1和ω2出现的可能性,不考虑其他任何因 素(如白细胞浓度)。 1 2 1 2 ( ) 0.5% ( ) 99.5% ( ) ( )1 ( ) P P P P 排他性、穷举性 贝叶斯决策理论概述 先验概率 (priori probabilities / prior) 仅依据先验信息的判决规则: 判决的误差概率 , if Decide , otherwise 1 12 2 ω P(ω ) P(ω ) ω ( ) min ( ), ( ) P 1 P 1 P error 贝叶斯决策理论概述 类条件概率(Class-conditional Probabilities) 可利用白细胞浓度值x(连续随机变量)来帮助 判决; x的分布取决于类别状态(患病或未患病),用 类条件概率密度函数来表示: 是指在类别ωi下,在一个连续的函数空 间中观测到x的可能性。 和 间的区别表示了血液病人和 非血液病人之间白细胞浓度值的区别。 ( | ) ~ (7000, 3000); ( | ) ~ (2000,1000); 2 1 p x N p x N ( | ) 1 p x 2 p x(| ) i p x(| )