[2018年最新整理]01贝叶斯决策.ppt

* 第一章 模式识别概论 * 模式识别 第二章 贝叶斯决策 §1-1 模式识别的基本概念 §1-2 基本问题 §1-3 模式识别系统 §1-4 模式识别方法 §2-0 引言 贝叶斯分类方法源于人类的日常生活，是最基础的一种分类方法。在数学上，它基于贝叶斯决策公式的计算来分类；在现实中，它基于人类对于分类的基本经验来完成分类。所谓分类的基本经验，就是远在使用机器来做模式识别之前，人类经常使用的“大概”概念，由人类加以总结之后形成了概率论的数学理论的分支。 §2-0 引言 分类信息： 两类的先验概率值分别为P(A),P(B) 两类的类别标号分别为A，B； 分类问题的特征，表示为d维特征向量x 类条件概率密度函数p(x|A),p(x|B) 以上信息构成了贝叶斯分类器设计的先决条件。 §2-1 最小错误率贝叶斯决策 计算后验概率 §2-1 最小错误率贝叶斯决策 计算后验概率 §2-1 最小错误率贝叶斯决策 模式类判别 若p(A|x)p(B|x),则x属于A， 若p(A|x)p(B|x),则x属于B， §2-1 最小错误率贝叶斯决策 类条件概率密度 §2-1 最小错误率贝叶斯决策 后验概率 §2-1 最小错误率贝叶斯决策 后验概率的几何意义具有两分特性，即由临界阈值x0为界两边各为一类。 对于任意分类样品来说，其特征观察值x距离阈值越远，其分类的准确度越高。任意样品分类的准确度是依概率成立的。 以x0为决策面的分类方法具有最小错误率. §2-1 最小错误率贝叶斯决策 平均错误率最小 H §2-1 最小错误率贝叶斯决策 其他等价描述 若p(x|A)p(A)p(x|B)p(B),则x属于A， 若p(x|A)p(A)p(x|B)p(B),则x属于B， 联合概率描述 * 第一章 模式识别概论