53、基础决策理论与应用

基础决策理论与应用

1. 决策问题概述

决策问题在许多复杂场景中都有应用，其决策步骤常比常见决策理论应用更简单。因为规划问题受多种因素影响，若特定应用中的决策步骤已难以解决，扩展到规划就会变得困难。以下介绍决策理论在模式分类和参数估计方面的应用。

2. 模式分类

2.1 模式分类问题描述

模式分类是计算机视觉和机器学习领域的活跃研究方向。一般问题是利用一组数据进行分类，例如在计算机视觉中，数据对应从图像中提取的信息，用于对物体进行分类。

这里的模式分类是高度理想化的版本，假设所有合适的模型细节，包括所需的概率分布都已知。但在实际应用中，获取这些数据可能代价高昂或难以实现，甚至有些问题是无监督的，需要自动发现可能的类别，因此模式分类仍是具有挑战性的研究领域。

一般模型是：自然先确定类别，然后获取关于该类别的观测值，最后机器人根据观测值猜测正确的类别。设 $\Theta$ 表示有限的类别集合，由于机器人要猜测类别，所以 $U = \Theta$。定义一个简单的成本函数来衡量 $u$ 和 $\theta$ 之间的不匹配：
[
L(u, \theta) =
\begin{cases}
0, & \text{如果 } u = \theta \text{（正确分类）}\
1, & \text{如果 } u \neq \theta \text{（错误分类）}
\end{cases}
]

在非确定性模型中，如果使用动作 $u$ 可能导致分类错误，则成本为 1。在概率模型中，上述成本函数的期望给出了给定动作 $u$ 时发生分类