1.为什么要设计分类器？

回顾下前面学习的统计决策，也就是贝叶斯决策，它可以简单被划分为两步，首先根据样本进行PDF估计，然后根据估计出的PDF来求分类面，因此又经常被叫做两步贝叶斯决策。如果我们能够很好地估计出PDF模型，也总可以利用贝叶斯来实现两类甚至多类的最优分类，但是很多实际情形中，想要精准的估计出PDF模型，并非易事，尤其当样本存在高维特征空间，以及样本数量并不足够多的情况，本质上来说，模式识别的真正目的并非估计PDF模型，而是在特征空间中想方设法找到各类的分界线或分界面。因此，如果可以直接根据样本就能求出分类面，是不是就可以省略估计PDF模型这一步而回归本质呢，答案是肯定的，这篇博客就来学习学习有关基于样本直接设计分类器的有关知识。

2.设计分类器的三大基本要素

基于样本直接设计分类器需要确定以下三个基本要素：

a.判别函数的类型，即从什么样的判别函数（集）中求分类面；

b.分类器设计的目标或准则，在确定了准则后，分类器设计就是根据样本从确定好的判别函数（集）中选择出在该准则下的最优函数，一般来说就是确定函数中的某些特定参数；

c.前两个要素都确定好了，剩下的工作就是设计可以搜索到最优函参的算法；

总的来说，就是判别函数、判别准则以及优化算法，为表达简洁，上述三要素可以用数学形式来描述：在判别函数（集）中确定待定参数，使得准则函数最大化或者最小化。

3.什么是线性分类器？

不同的判别函数，不同的判别准则，以及不同的优化算法都决定了不同分类器的设计方法，其中判别函数最为关键，因为判别函数就是我们要根据样本所寻找的各类之间的分类面，找到了最优分类面，分类基本上就很好解决了；当判别函数为线性函数时，这样设计出的分类器就叫做线性分类器或线性判别方法，线性分类器是最简单的一种分类器，在一般情况下，线性分类器只能是次优分类器，但是由于其设计简单，而且在一些情况（例如样本分布服从正态分布且各类协方差矩阵相等）下，判别函数可以是最小错误率或最小风险意义下的最优分类器
，因此应用比较广泛，尤其是在有限样本的情况下甚至可以做到比非线性分类器效果更好。

4.什么是线性判别函数？

首先给出判别函数的一般表达式，两类情况为：

    （1）

则多类情况为：       （2），c代表共有c类。

为了简单起见，仍然采用两类情况来进行推导。公式（1）中，x是d维的样本特征向量，又叫做样本向量，w是权重向量，分别表示如下：

而w0是个常值，叫做阈值权。对于两类问题，可以采用如下决策规则：令，如果g(x)>0，则判到1类，如果g(x)<0，则判到2类，如果g(x)=0，则判到任意类或者reject。因此g(x)=0方程定义了一个决策面（或分类面），可以将两类的点分开，当g(x)是线性时，该决策面就是一个超平面（hyper
plane）。下面，来进行判别函数的几何推导：

假设有两个样本x1和x2，它们同落在决策面H上，那么有：

明显，w是分类面H的法向量，它决定了决策面H的方向；因此对于一个被分成两个半平面R1和R2的H来说，当x落在R1中时，法向量w是指向R1的，即R1中的所有样本x都在分类面H的正侧，于是R2中的所有样本x都在H的负侧，如图：

此时，线性判别函数g(x)可以看成是样本特征空间中某一点x到分类面H的距离的一种代数度量；设上图中落入R1中的样本x特征点到H的距离向量为r，则根据向量性质可得到：

于是，将上式代入我们的一般式（1）中，得到：

因此，，当样本x=0（原点），可计算出原点到分类面的距离：

    或    

容易知道，w0的值其实就决定了分类面H的位置，如果w0>0，则原点在分类面的正侧；w0<0，则原点在H的负侧；w0=0，表明判别函数齐次，H过原点。

由上面的推导可以看出，判别函数g(x)其实就是某一样本点x到分类面H的代数距离，当x在H正侧，g(x)>0；当x在H负侧，g(x)<0；当x在H上，g(x)=0。