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.
<strong>2.</strong>3. Luokittelijat, diskriminanttifunktiot ja päätöspinnat<br />
Oulun yliopisto, Hahmontunnistus ja neuroverkot (521497S), TS<br />
20 / 99<br />
Luokittelijat voidaan esittää monella tavalla yhden suosituimmista ollessa diskriminanttifunktiot<br />
g i(x), i=1,...,c. Suomeksi voidaan käyttää nimeä erottelufunktiot.<br />
Jokaiselle luokalle siis suunnitellaan oma diskriminanttifunktio. Luokittelija sijoittaa<br />
piirrevektorin x omaavan hahmon luokkaan ω i, jos:<br />
gi( x)<br />
> gj( x)<br />
kaikilla j ≠ i<br />
eli suurimman lukuarvon tuottavan funktion luokkaan.<br />
Riskin minimointiin perustuvalle <strong>Bayesin</strong> luokittelijalle voidaan valita:<br />
gi (x) = - R( αi x)<br />
, jolloin suurimman diskriminanttifunktion arvo vastaa pienintä ehdollista riskiä.<br />
Minimivirheeseen perustuvalle <strong>Bayesin</strong> luokittelijalle voidaan valita:<br />
gi (x) = P( ωi x)<br />
, jolloin suurimman diskriminanttifunktion arvo vastaa suurinta a posteriori todennäköisyyttä