模式识别（三）：线性判别函数

 

本系列文章由孙旭编辑，转载请注明出处

http://blog.csdn.net/longyindiyi/article/details/20068781

多谢合作！

 

如果您在阅读文章过程中发现有表述错误的地方，还请指正。

 

上一节我们讲到，分类器的设计有两种思路：基于判别函数的分类器和基于距离的分类器。本节我们开始介绍基于判别函数的分类器中的线性判别函数法。

判别函数法是对不同模式进行分类有很多方法中应用比较广的一种。

所谓判别函数就是指直接用来对模式样本进行分类的准则函数。

如果判别函数可以用线性关系进行描述的话，就称之为线性判别函数，否则称为非线性判别函数。

上图给了我们一个直观的理解，第一个图中的蓝色直线代表一个线性分类器，而第二个图中的绿色曲线代表一个非线性分类器。

下面我们给出线性判别函数的数学形式。

d 维空间中的线性判别函数的一般形式：

 （1）

这里我们用加粗的字符表示向量（未加特殊说明情况下向量均指的是列向量）， 是样本向量，  是权值向量。是一个常数（阈值），即

有时候，为了便于程序实现，也将公式（1）表示为

这里

对于两类问题而言，有

其中  表示第  类。若出现  则认为判别函数失效，拒绝分类。不难看出，由上面的  确定的决策面为超平面，而 是该决策面的法向量。

对这类分类器的学习过程可以表述如下：

 

1. 获取训练样本集, 即一组具有类别标志的样本集；
2. 确定一个准则函数  : 的值反映分类器的性能,它的极值解则对应于最好的分类决策，例如   为分类误差；
3. 最优化方法求出准则函数的极值解 ；
4. 对未知样本y, 只要计算 ，然后根据决策规则判定  所属类别。

上述过程可以用流程图表示如下：

 

线性判别函数的优点是简单，但是它不能用来处理一些稍微复杂点的问题，比如，下面这种情况。

设计一个一维分类器，使其功能为 （假设 a < b）：

 

• 当 x < a 或者 x > b 时，则决策 x 属于第一类；
• 当 a < x < b 时，则决策 x 属于第二类。

显然，如果判别函数取为 给 g(x) = (x - a)(x - b) 可以满足要求，但这时 g(x) 却并非关于 x 的线性函数，关于线性函数的优化方法将不能直接应用在这个函数上。这时，我们该怎么办呢？

 

答案是使 g(x) 线性化。那么，怎么线性化呢？换元法相信大家都学过，这里用到的就是换元法，只不过我们换了个叫法——把换元后得到的新的判别函数称为广义线性判别函数，权向量称为广义权向量。具体过程如下：

展开判别函数为  , 令

和

这时，有

此时，判别函数变成了关于  的线性函数。学习过程就可以按前面介绍的方法进行了。

按照上述原理，任何非线性函数 g(x) 用级数展开成高次多项式后，都可转化成线性判别函数来处理，但是经过变换后维数大大增加了，这将导致计算量大大增加，甚至导致维数灾难。

由此可见，增加维数有时可能不是好办法，那么，降低维数呢？

这就引出了线性判别分析中一个非常重要的算法——Fisher 线性分析，我们将在下篇文章里进行介绍。