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.
Kuvasta tehdään tärkeä havainto:<br />
Jakaumien ollessa kiinnitetyt, kun sensitiivisyys kasvaa suureksi niin spesifisyys<br />
pienenee huomattavasti, ja päinvastoin.<br />
Mitä tämä tarkoittaa tutkasignaalin ilmaisussa?<br />
Jakaumien ollessa monimutkaiset ROC-käyrä on monimutkaisempi:<br />
<strong>2.</strong>8. <strong>Bayesin</strong> <strong>päätösteoria</strong> diskreeteille muuttujille<br />
Oulun yliopisto, Hahmontunnistus ja neuroverkot (521497S), TS<br />
43 / 99<br />
Useissa sovelluksissa piirteet ovat kokonaislukumuuttujia, jotka voivat saada arvot<br />
v 1 ,...,v m . Todennäköisyystiheysfunktioista tulee singulaarisia ja integraalimerkinnät<br />
joudutaan vaihtamaan summamerkintöihin. Esimerkiksi <strong>Bayesin</strong> kaava saa<br />
muodon:<br />
P( ωj x)<br />
P( x ωj)P ( ωj) P( x ωj)P ( ωj) = --------------------------------- =<br />
--------------------------------------------<br />
P( x)<br />
c<br />
i = 1<br />
P( x ωi)P ( ωi) Ehdollisen riskin määritelmä ei muutu, joten toiminnon α valinta saadaan kaavasta:<br />
∑