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.
<strong>2.</strong>5. Diskriminanttifunktioita normaalijakaumalle<br />
Käytettäessä diskriminanttifunktiona aiemmin esitettyä muotoa<br />
Oulun yliopisto, Hahmontunnistus ja neuroverkot (521497S), TS<br />
27 / 99<br />
normaalijakautuneen satunnaismuuttujan x tapauksessa p( x ωi) ∼ N( mi, Σi) ja:<br />
gi( x)<br />
=<br />
Tarkastellaan seuraavaksi eräitä usein käytännössä esiintyviä erikoistapauksia.<br />
<strong>2.</strong>5.1. Tapaus Σ i = σ 2 I<br />
gi( x)<br />
= ln p( x ωi) + ln P( ωi) 1<br />
-- ( x – m<br />
2 i)<br />
t – 1 d<br />
– Σi ( x – mi)<br />
-- ln 2π<br />
2<br />
1<br />
– – -- ln Σ<br />
2 i<br />
ln P( ωi) Tässä tapauksessa kaikkien luokkien kovarianssimatriisi on identtinen ja on<br />
yksikkömatriisin muotoinen päädiagonaalielementin saadessa arvon σ 2 . Esim.:<br />
Σ<br />
=<br />
σ 2 0<br />
0 σ 2<br />
Näin käy jos piirrevektorin komponentit eli piirteet ovat tilastollisesti lineaarisesti<br />
riippumattomia ja jokaisen piirteen varianssi on sama σ 2 . Geometrisesti tulkittuna<br />
tämä tarkoittaa ympyrämäisesti samalla tavalla jakautuneita luokkia, jotka sijaitsevat<br />
piirreavaruuden kohdissa m i.<br />
+