模式分类---贝叶斯决策

出于尊重文章作者的劳动,转载请标明本文出处:http://blog.csdn.net/tonyshengtan ! 文章代码已托管,欢迎共同开发:https://github.com/Tony-Tan/DIPpro 开篇废话 学习图像处理系列已经有一段时间了,对基础的图像处理算法也有一定了解,因为想要进一步研究计算机视觉方向,所以模式分类是必然要学习的知识,本系列的博客将不包括机器学习类算法,机器学习类算法将在另外一个系列详细介绍. 刚才简单了解了下模式识别和模式分类的区别,其中模式识别的主要任

贝叶斯决策理论是主观贝叶斯派归纳理论的重要组成部分. 贝叶斯决策就是在不完全情报下,对部分未知的状态用主观概率估计,然后用贝叶斯公式对发生概率进行修正,最后再利用期望值和修正概率做出最优决策. 贝叶斯决策理论方法是统计模型决策中的一个基本方法,其基本思想是: ★已知类条件概率密度参数表达式和先验概率 ★利用贝叶斯公式转换成后验概率 ★根据后验概率大小进行决策分类 例如:一座别墅在过去的 20 年里一共发生过 2 次被盗,别墅的主人有一条狗,狗平均每周晚上叫 3 次,在盗贼入侵时狗叫的概率被估计为

1.简单例子引入 2.先验概率 3.后验概率 4.最小错误率决策 5.最小风险贝叶斯决策 1. 贝叶斯公式 2简单例子 正常情况下,我们可以快速的将街上的人分成男和女两类.这里街上的人就是我们观测到的样本,将每一个人分成男.女两类就是我们做决策的过程.上面的问题就是一个分类问题. 分类可以看作是一种决策,即我们根据观测对样本做出应归属哪一类的决策. 假定我手里握着一枚硬币,让你猜是多少钱的硬币,这其实就可以看作一个分类决策的问题:你需要从各种可能的硬币中做出一个决策.硬币假设面值有1角.5角.1

在机器学习领域,我们碰到的第一个问题就是:如何选择特征量. 可是看了一些资料,这点好像都是一笔带过,因为很多都是所谓的不可观测量,如何把不可观测量量化呢?这个或许能给机器学习带来新的契机,就像当年牛顿把力.质量.加速度等模糊的概念定义下来,经典物理出现了前所未有的发展,香农把信息量化,造就了信息革命. 以前觉得贝叶斯好像没有大家说的那么神奇,现在知道,是因为当年对它的理解就有问题,贝叶斯更重要的一点应该是能够在加入evidence的情况下,从先验概率进化到后验概率,这点简直就是机器学习的内涵啊

软件架构师的本质工作就是站在不同的利益相关者角度(用户.开发者.测试.部署.运维等)来审视自己的架构,在我看来,软件架构模式分类亦如此,只是看问题的角度不同罢了.如下图,所有的软件架构模式都可以归类其中.

设计模式分类: 创建型: 单例模式(Singleton Pattern) 工厂方法模式(Factory Pattern) 抽象工厂模式(Abstract Factory) 建造者模式(Builder Pattern) 原型模式(Prototype Pattern) 结构型: 代理模式(Proxy) 装饰模式(Decorator) 适配器模式(Adapter) 组合模式(Composite) 桥梁模式(Bridge) 外观模式(Facade) 享元模式(Flyweight) 行为型: 模板方法模式

姗姗来迟的文章,依旧是老风格,先来几句废话,现在工作比较忙,也成功的转型到了本行,不用忍受各种"xx领导对你很不满意"这种恶心人的话了,可以安静的,专心的做的我的非主流科学家. 做技术的人,我们对自己的技术水平必须有一个客观的认识,不管现在什么职位,多少收入,这只能从另一个角度佐证一个人的能力,但距离自己心中的水平差多少,只有自己能评估出来,有差距,就去学,去做,去思考. 废话完毕. 本系列博客内容为对<模式分类>学习的总结和问题讨论,如有纰漏或错误,请各位留言指正,谢谢.

本文主要参考资料 最小错误率是在统计的意义上说的,请注意其含义. 在这里要弄清楚条件概率这个概念.P(*|#)是条件概率的通用符号,在“|”后边出现的#为条件,之前的*为某个事件,即在某条件#下出现某个事件*的概率.P(ωK|X)是表示在X出现条件下,样本为ωK类的概率. 一个事物在某条件下出现的概率P(*|#)与该事件在不带任何条件下出现的概率(写成P(*))是不相同的.例如全世界人口有60亿.因此你见到一个人在不带任何条件下,有20%的可能性是中国人P(*)=0.2,但是如果你在中国,或香港

一.背景介绍 皮肤检测在人脸识别与跟踪.手势识别.图像检索与分类等诸多计算机应用领域都有着广泛的应用.上述研究课题都必须解决一个基础问题,那就是将图像精确的划分为皮肤和背景两种区域,划分的精确与否直接影响着后续工作的精度与性能,因此皮肤检测已经逐渐成为以上任务的先行步骤和技术基础. 皮肤检测的相关算法有很多,典型的包括:直方图统计方法.高斯混合模型方法.基于颜色的皮肤检测.基于纹理的皮肤检测.基于多特征的皮肤检测.基于小波变换的皮肤检测.基于差分的皮肤检测以及诸如使用空间扩散法等.其中M.J.J