2. Bayesin päätösteoria
2. Bayesin päätösteoria
2. Bayesin päätösteoria
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Alla kuva 2-ulotteisesta Gaussin jakaumasta.<br />
Jakauma on vino, koska esimerkkitapauksessa piirteet x 1 ja x 2 korreloivat positiivisesti<br />
(esimerkiksi kalan pituus ja paino). Ellipsit kuvastavat pisteitä, joissa<br />
Oulun yliopisto, Hahmontunnistus ja neuroverkot (521497S), TS<br />
r 2<br />
( x – m)<br />
t Σ 1 – = ( x – m)<br />
=<br />
vakio<br />
26 / 99<br />
Suuretta r kutsutaan Mahalanobis-etäisyydeksi piirrevektorin x ja luokan jakauman<br />
odotusarvon m välillä. (Kuvassa odotusarvoa m merkitään symbolilla µ.) Sitä<br />
käytetään usein luokittelijoissa mitattaessa sitä kuinka etäällä/lähellä hahmo on eri<br />
luokkia, tähän palataan pian.<br />
Ellipsien akselit voidaan haluttaessa laskea ominaisarvoanalyysin kautta.<br />
Tyypillisesti kuvat piirretään siten, että sisin ellipsi on yhden keskihajonnan (standard<br />
deviation) etäisyydellä keskipisteestä, seuraava kahden keskihajonnan, jne.