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.
Oulun yliopisto, Hahmontunnistus ja neuroverkot (521497S), TS<br />
41 / 99<br />
Voidaan käyttää myös seuraavia nimikkeitä kentille:<br />
• oikea hälytys (hit): true positives, TP<br />
• väärä hälytys (false alarm): false positives, FP<br />
• väärä hylkäys (miss): false negatives, FN<br />
• oikea hylkäys (correct rejection): true negatives, TN<br />
Tarkastellaan tilannetta, jossa käytetään vain yhtä piirrettä. Oletetaan, että jakaumat<br />
ovat osittain päällekkäiset kuten kuvassa (esittää tutkapulssin ilmaisemista vastaanotetun<br />
signaalin amplitudimittauksella):<br />
TN<br />
FN<br />
Kuvaan on piirretty päälle edellä esitetyn nelikentän mukaiset merkinnät (TP, FP,<br />
TN, FN), joille on näin saatu geometriset tulkinnat. Kun kynnysarvo x*<br />
(päätöspinta) on kiinnitetty, sensitiivisyys ja spesifisyys saadaan laskettua helposti<br />
luokittelutuloksista kun tapausten luokat tunnetaan.<br />
Luokkien erottuvuuden mittana voidaan käyttää suuretta:<br />
d'<br />
µ 2 – µ 1<br />
=<br />
-------------------σ<br />
, joka ilmaisee Gaussisesti jakautuneiden luokkien keskipisteiden välisen etäisyyden<br />
(yhteisen) keskihajonnan monikertana. Mitä suurempi d’ on, sitä paremmin<br />
luokat erottuvat toisistaan ja luokittelija suoriutuu hyvällä suorituskyvyllä.<br />
TP<br />
FP