2. Bayesin päätösteoria

More documents

Recommendations

Info

Oulun yliopisto, Hahmontunnistus ja neuroverkot (521497S), TS 30 / 99
Mikäli prioritodennäköisyydet ovat yhtäsuuret P(ω i)=P(ω j), lausekkeista nähdään että x0 = 1 -- ( m 2 i + mj) eli hypertaso kulkee luokkakeskipisteiden puolivälistä. Mikäli P( ωi) > P( ωj) , leikkauspiste x0 siirtyy poispäin luokasta ωi . Alla olevassa piirroksessa uusi leikkauspiste on x’ 0 ja ε>0 tulee lausekkeesta: x 2 Oulun yliopisto, Hahmontunnistus ja neuroverkot (521497S), TS ε m i = x 0 σ 2 --------------------------ln 2 mi – mj P ω ( i) ------------- P( ωj) m i-m j x’ 0 −ε(m i -m j ) 31 / 99 Mikäli priorit ovat samat kaikille luokille, diskriminanttifunktiota voidaan yksinkertaistaa edelleen poistamalla vastaavat termit. Lisäksi voidaan poistaa luokasta riippumattomat σ-termit, joten päätössäännöksi saadaan: Tätä kutsutaan minimietäisyysluokittelijaksi (minimum distance classifier), jota käytetään monissa sovelluksissa. Tämän luvun perusteella nähdään mitä matemaattisia oletuksia on oltava voimassa, jotta päätössääntö toimisi optimaalisesti. m j Päätä ωi mikäli x – mi < x – mj ∀j ≠ i L L’ x 1
Page 1 and 2: 2. Bayesin päätösteoria 2.1. Joh
Page 3 and 4: Oulun yliopisto, Hahmontunnistus ja
Page 5 and 6: 2.2. Bayesin päätösteoria - jatk
Page 11 and 12: 2.4. Normaalijakauma Oulun yliopist
Page 15 and 16: 2.5. Diskriminanttifunktioita norma
Page 17: Oulun yliopisto, Hahmontunnistus ja
Page 21 and 22: Vastaavalla tavalla kuin edellisess
Page 25 and 26: Allaolevassa kuvassa pyritään ero
Page 31 and 32: Kuvasta tehdään tärkeä havainto
Page 35 and 36: 3) Vakiotermien siirtäminen summal
Page 37 and 38: = = ∑ P( h) = P( e, f, g, h) e, f
Page 39 and 40: a 1 = talvi a 2 = kevät a 3 = kes
Page 41: saadaan, että α=1/0,18 , P(x 1|c

2. Bayesin päätösteoria

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?