机器学习 - 3 - 线性分类
符号约定
贝叶斯分类器
- 基于最小错误率的决策
- 符号约定:
- 样本 $ \bold{x} \in R^d$
- 状态(类) \(w = {w_1,w_2,\dots}\)
- 先验概率 \(P(w_1),P(w_2)\)
- 样本分布密度 \(p(x)\)
- 类条件概率密度 \(p(\bold{x}|w_1),p(\bold{x}|w_2)\)
- 后验概率 \(P(w_1|\bold{x}),P(w_2|\bold{x})\)
- 错误概率
\[P(e|\bold{x})\lbrace_{P(W_1|\bold{X}) \ if\ \bold{x}\ is\ assigned\ to\ w_2}^{P(W_2|\bold{X})\ if\ \bold{x}\ is\ assigned\ to\ w_1}\] - 平均错误率 \(P(e) = \int P(e|\bold{x})p(\bold{x})d\bold{x}\)
- 正确率 \(P(c)\)
- 策略:错误概率最小嘛,很简单易懂
\[P(e|\bold{x})\lbrace_{P(W_1|\bold{X}), \ if\ P(w_1|\bold{x})>P(w_2|\bold{x})}^{P(W_2|\bold{X}), \ if\ P(w_1|\bold{x})<P(w_2|\bold{x})}\]
所以:\(x\) 属于那种状态时的错误概率小,就认为 \(x\) 是那种状态
- 符号约定:
- 基于最小风险的决策
- 符号约定:
- 样本 \(\bold{x}\in R^d\)
- 状态(类) \(w = {w_1,w_2,\dots}\)
- 决策, \(\alpha_i\) 表示将样本分类为 \(w_j,j\in1,\dots,n\)
- 将真实标记为 \(w_j\) 的样本误分类为 \(w_i\) 所产生的损失 \(\lambda_{i,j}\)
- 对于特定 \(x\) 采取决策 \(\alpha_i\) 的期望损失(基于后验概率 \(P(w_i|\bold{x})\) )
\[R(\alpha_i|\bold{x}) = \sum_{j=1}^{N}\lambda_{ij}P(w_j|\bold{x})\] - 期望风险,即对 \(x\) 所有可能的决策 \(\alpha(x)\) 所造成的期望损失之和,也称为平均风险
\[R(\alpha) = \int R(\alpha(x)|x)p(x)dx\]
- 策略:使 \(R(\alpha(x)|x)\) 最小
- 符号约定:
线性判别函数
- 广义
- 齐次化
线性分类器设计
- 准则函数
多分类问题
原文地址:https://www.cnblogs.com/ChildishChange/p/9748954.html
时间: 2024-11-13 09:51:01