25 26 分类器设计 分类器设计 口判别函数(discriminant functions):是模式( 口最小错误率Bayes.决策 或特征向量)x的函数,用于表述决策规则。 ■决策规则:将x归于o类,如果 ■对于c类别问题,相应于每一类别定义一个函 (1)P(o,Ix)=max P(o,x 数,构成一组判别函数g,i=1,2,c,使得 or (2)p()P()=m()P(,) 8(x)>g,(x)→x∈0j=1…,cj≠6 or3)国=pa2、Px1o,) I回广2回jL,6 即将x分类到有最大判别函数值的类别。 or (4)In p(x)+n P()=max (in p(x)+inP(,)) 口判别函数的选择不唯一。如果)是一个单调递 ■判别函数 增函数(如logarithm),将g,x替换成fg,x (1)g(x)=P(a,Ix) 不改变判决结果。简化分析和计算! (2)g,(x)=px|o,)P(@,) (3)8,(x)=In p(xl@)+In P(@,) 27 28 分类器设计 分类器设计 口最小错误率Bayes.决策 口最小错误率Bayes:决策 ■决策面方程:相邻的两个决策域在决策面上的判 ■分类器:一个计算c个判别函数并选取与最大判 别函数值相等,即 别函数值相对应的类别的网络或机器」 8,(x)=8,(x) p(riw:)P(on) p()) ([w (n) 29 分类器设计 分类器设计 口两类别的最小错误率Bayes.决策 口两类别的最小错误率Bayes:决策 ■判决函数:可只定义一个判别函数 ■决策面方程 g(x)=8(x)-82(x), g(x)=0. 此时的决策规则是 ifgy>o,then decide∈ ■分类器 (1)g(x)=P(@,Ix)-P(@2 Ix) (2)g(x)=p(x|a)P(,)-px|o2)P(o2) (3)g(x)=In)in P() 判期计算 值单元 块策 p(xlo2) P(2)25 分类器设计 判别函数(discriminant functions):是模式( 或特征向量)x 的函数,用于表述决策规则。 对于c类别问题,相应于每一类别定义一个函 数,构成一组判别函数 gi (x), i = 1,2,…,c,使得 即将 x 分类到有最大判别函数值的类别。 判别函数的选择不唯一。如果 f(·) 是一个单调递 增函数(如logarithm),将 gi (x) 替换成 f(gi (x)) 不改变判决结果。 简化分析和计算! ( ) ( ) 1, , , ; ij i gg j xx x c j i 26 分类器设计 最小错误率Bayes决策 决策规则:将x归于ωi类,如果 判别函数 (1) ( ) ( | ) (2) ( ) ( | ) ( ) (3) ( ) ln ( | ) ln ( ) i i i ii i ii g P gpP gp P x x x x x x 1, , 1, , 1, , (1) ( | ) max ( | ); or (2) ( | ) ( ) max ( | ) ( ); (| ) (| ) or (3) ( ) , 1, , , ; (| ) (| ) or (4) ln ( | ) ln ( ) max ln ( | ) ln ( ) ; i j j c ii j j j c j i j i ii j j j c P P pP p P p p l j cj i p p pP p P x x x x x x x x x x x 27 分类器设计 最小错误率Bayes决策 决策面方程:相邻的两个决策域在决策面上的判 别函数值相等,即 ( ) ( ). i j g g x x 28 分类器设计 最小错误率Bayes决策 分类器:一个计算 c 个判别函数并选取与最大判 别函数值相对应的类别的网络或机器。 29 分类器设计 两类别的最小错误率Bayes决策 判决函数:可只定义一个判别函数 此时的决策规则是 1 2 gg g ( ) ( ) ( ), xxx 1 2 11 2 2 1 1 2 2 (1) ( ) ( | ) ( | ) (2) ( ) ( | )( ) ( | )( ) (| ) ( ) (3) ( ) ln ln (| ) ( ) gP P gp P p P p P g p P xxx xx x x x x 1 2 if ( ) 0, then decide . g x x 30 分类器设计 两类别的最小错误率Bayes决策 决策面方程 分类器 g( ) 0. x