拓宽 眼界与范围,博客不一定只能用来写acm,涉及的范围可以广一点。
涉足模式识别,对根据已知训练样本生成分类器进行分类估计,主要分为有监督和无监督两部分
对了入门,先了解一下有监督的贝叶斯决策和无监督的Pazern窗估计
贝叶斯决策
贝叶斯决策,即根据先验概率P(wi) 和类条件概率P(x | wi),利用全概率公式即可计算出样本的后验概率P(wi | x) 。
P(wi | x) = P(wi·x) / P(x);
P(wi·x) = P(wi) * P(x | wi);
P(x) = Σ P(wj) * P(x | wj),(j=1~n);
可得
P(wi | x) =[ P(wi) * P(x | wi) ] / { Σ[ P(wj) * P(x | wj) ] }, (j=1~n) ;
贝叶斯决策又分为最小风险决策和最小错误率决策
选取后验概率最高的结果wi决策,即可得最小错误率决策
而对于最小风险决策,则需要根据风险公式λ(ai,wj),计算出每个决策的风险值R(ai | x)
R(ai | x) = Σ λ(ai | wj) * P(wj | x),(j=1~n);
选取风险值最小的结果ai决策,即可得到最小风险决策
对于正态分布的变量,利用函数mvnrnd(μ,σ,n)生成决策样本,μ为d维列向量,σ为协方差矩阵,n为样本数量
normpdf(x,μ,σ)函数可以计算X~N(μ,σ)正态分布函数在x处的函数值
再根据
gi(x) &#