人工智能样板优秀课件.ppt

《人工智能样板优秀课件.ppt》由会员分享，可在线阅读，更多相关《人工智能样板优秀课件.ppt（37页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、人工智能样板第1页，本讲稿共37页2.1 2.1 引言引言l贝叶斯决策论是解决模式分类问题的一种基本统计途径。它做了如下假设，即决策问题可以用概率的形式来描述，并且假设所有的概率结构已知。l例：鲑鱼和鲈鱼分类l两类鱼自然状态下的先验概率l先验概率是一个随机变量(=1鲈鱼;=2鲑鱼)l等概率假设下有：P(1)=P(2)P(1)+P(2)=1第2页，本讲稿共37页仅根据先验概率的判决规则if P(1)P(2)则 判为1否则 判为 2连续判决连续判决和误差概率误差概率使用类条件概率信息（P(x|)类条件概率密度函数）P(x|1)和 P(x|2)描述两类鱼光泽度的不同2.1 2.1 引言引言第3页，本

2、讲稿共37页2.1 2.1 引言引言第4页，本讲稿共37页2.1 2.1 引言引言处于类别j并具有特征值x的模式的联合概率密度如下：p(j,x)=P(j|x).p(x)=p(x|j).P(j)l由上可得贝叶斯公式：两类问题情况下非正式表示：第5页，本讲稿共37页第6页，本讲稿共37页根据后验概率判决X 是观测属性if P(1|x)P(2|x)判决状态为 1if P(1|x)P(2|x)判为 1 否则判为 2;所以:P(error|x)=min P(1|x),P(2|x)第8页，本讲稿共37页2.2 2.2 贝叶斯决策论贝叶斯决策论连续特征连续特征l贝叶斯推广l使用多余一个的特征l允许多余两种类

3、别状态的情形l允许有其他行为而不是仅仅是判定类别l通过引入一个更一般的损失函数来替代误差概率第9页，本讲稿共37页2.2 2.2 贝叶斯决策论贝叶斯决策论连续特征连续特征令1,2,c 表示有限的c个类别集 1,2,a 表示有限的a种可能的行为集 (i|j)为类别状态j 时采取行动i的风险。则有下面的几个等式：总风险：第10页，本讲稿共37页 两类情况下1 :判为 12 :判为 2ij =(i|j):类别为j 时误判为i所引起的损失 条件风险:R(1|x)=11P(1|x)+12P(2|x)R(2|x)=21P(1|x)+22P(2|x)2.2 2.2 贝叶斯决策论贝叶斯决策论连续特征连续特征第

4、11页，本讲稿共37页判决规则如下:如果 R(1|x)(12-22)P(2|x)判为 1 否则判为22.2 2.2 贝叶斯决策论贝叶斯决策论连续特征连续特征第12页，本讲稿共37页2.2 2.2 贝叶斯决策论贝叶斯决策论连续特征连续特征等价判别规则2：如果：(21-11)P(x|1)P(1)(12-22)P(x|2)P(2)判为 1 否则判为2 l等价判别规则3(合理假设21 11)：成立，则判为1 否则判为2似然比超过某个不依赖x x 的阀值，那么可判决为1 第13页，本讲稿共37页2.3 2.3 最小误差率分类最小误差率分类基于类别的行为如果采取行为 i i 而实际类别为 j j，那么在i

5、=j 的情况下判决是正确的，如果i j，则产生误判。为避免误判，需要寻找一种判决规则使误判概率最小化。对称损失或0-1损失函数:则,条件风险为:第14页，本讲稿共37页最小化误差概率，需要最大化后验概率 P(i|x)(因为 R(i|x)=1 P(i|x)基于最小化误差概率，有：对任给j i，如果P(i|x)P(j|x)，则判为 i2.3 2.3 最小误差率分类最小误差率分类第15页，本讲稿共37页2.4 2.4 分类器、判别函数及判定面分类器、判别函数及判定面多类别情况 判别函数 gi(x),i=1,c如果：gi(x)gj(x)j i 分类器将特征向量x判为i 第16页，本讲稿共37页第17页

6、，本讲稿共37页2.4 2.4 分类器、判别函数及判定面分类器、判别函数及判定面一般风险情况下，可令gi(x)=-R(i|x)l(最大判别函数与最小的条件风险相对应)根据最小误差率情况下gi(x)=P(i|x)(最大判别函数与最大后验概率相对应)其他判别函数：第18页，本讲稿共37页2.4 2.4 分类器、判别函数及判定面分类器、判别函数及判定面每种判决规则将特征空间分为c个判决区域if gi(x)gj(x)j i 则 x属于Ri(也就是把x判为i)第19页，本讲稿共37页2.4 2.4 分类器、判别函数及判定面分类器、判别函数及判定面两类情况（二分分类器）令 g(x)g1(x)g2(x)如果

7、 g(x)0判为1;否则判为 2g(x)的另类计算：第20页，本讲稿共37页2.5 正态密度l分析的简易型l连续性l很多处理都是渐进高斯的，大量小的独立的随机分布的和l手写字符,语音等都是高斯的单变量密度函数：其中:是x的期望值 2 是方差第21页，本讲稿共37页2.5 正态密度第22页，本讲稿共37页多元密度函数一般的d维多元正态密度的形式如下:x=(x1,x2,xd)t =(1,2,d)t 均值向量=d*d 协方差矩阵|行列式值 -1逆矩阵2.5 正态密度第23页，本讲稿共37页2.6 2.6 正态分布的判别函数正态分布的判别函数最小误差概率分类可以通过使用判别函数获得gi(x)=ln P

8、(x|i)+ln P(i)多元情况下：第24页，本讲稿共37页2.6 2.6 正态分布的判别函数正态分布的判别函数情况1：i=2.I (I 是单位矩阵)第25页，本讲稿共37页“线性机器”使用线性判别函数的分类器。线性机器的决策面是一个由下式定义的超平面:gi(x)=gj(x)2.6 2.6 正态分布的判别函数正态分布的判别函数第26页，本讲稿共37页第27页，本讲稿共37页情况：2 i=(有所类的协方差矩阵都相等，但各自均值向量任意!)2.6 2.6 正态分布的判别函数正态分布的判别函数第28页，本讲稿共37页2.6 2.6 正态分布的判别函数正态分布的判别函数第29页，本讲稿共37页第30页，本讲稿共37页第31页，本讲稿共37页第32页，本讲稿共37页第33页，本讲稿共37页情况3：i=任意，每一类的协方差矩阵是不同的2.6 2.6 正态分布的判别函数正态分布的判别函数第34页，本讲稿共37页第35页，本讲稿共37页第36页，本讲稿共37页Thank you!第37页，本讲稿共37页