2. Bayesin päätösteoria
2. Bayesin päätösteoria
2. Bayesin päätösteoria
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Oulun yliopisto, Hahmontunnistus ja neuroverkot (521497S), TS<br />
39 / 99<br />
Moniluokkaisessa tapauksessa on helpompaa laskea oikean luokittelun todennäköisyys:<br />
P( oikein)<br />
= P( x ∈ Ri, ωi) =<br />
=<br />
i = 1<br />
c<br />
<strong>Bayesin</strong> luokittelija maksimoi tämän todennäköisyyden valitsemalla päätösalueet<br />
siten, että integroitava lauseke on suurin mahdollinen kaikilla x. Tämän johdosta<br />
virheen todennäköisyys on pienin mahdollinen: P(virhe)=1-P(oikein) .<br />
c<br />
∑<br />
∑<br />
i = 1<br />
c<br />
∑<br />
i = 1<br />
P( x ∈ Ri ωi) P ( ωi) ∫<br />
Ri p( x ωi)P ( ωi) dx