第4章 分类的线性模型（PRML读书笔记）

本章小结

  本章讨论分类问题。分类的⽬标是将输⼊变量x分到K个类别$C_k$中的某⼀类。最常见的情况是，类别互不相交，每个输⼊被分到唯⼀一个类别中。因此输⼊空间被划分为不同的决策区域，它的边界被称为决策边界或者决策⾯。在本章中，考虑分类的线性模型的，即决策面是输⼊向量x的线性函数，因此被定义为D维输⼊空间中的(D − 1)维超平⾯（附录部分会对这个做解释）。如果数据集可以被线性决策⾯精确地分类，那么这个数据集是线性可分的。
  对于概率模型来说，在⼆分类情况下，最⽅便的表达⽅式是⼆元表⽰⽅法，即⽬标变量 t ∈ { 0 , 1 } t\in\{0,1\} t∈{0,1} ，其中t = 1表⽰类别$C_1$，⽽t = 0表⽰类别$C_2$，我们可以把t的值看成分类结果为$C_1$的概率，这个概率只取极端的值0和1。多类情况下（K > 2），一般使⽤“1-of-K”编码规则，t是⼀个长度为K的向量，如果类别为$C_j$，那么t的所有元素$t_k$中，只有$t_j$等于1，其余都等于0。例如，如果我们有5个类别，那么来⾃第2个类别的模式给出的⽬标向量为

  本章介绍三种分类方法（正如在1.5.4节中所介绍的）：

• 判别函数法：直接把输入向量x分到具体的类别中
• 概率生成式方法：分为推断和决策两个阶段。推断阶段对类先验概率$p(C_k)$和类条件概率$p(\text{x}|C_k)$分别建模，再根据贝叶斯定理$p(C_k|\text{x})=\frac{p(\text{x}|C_k)p(C_k)}{{\sum }_{j}p(\text{x}|C_j)p(C_j)}$得出类的后验概率。决策阶段使用类的后验概率分布进⾏最优决策。
• 概率判别式方法：分为推断和决策两个阶段。推断阶段直接对$p(C_k|\text{x})$建模，决策阶段使用类的后验概率分布进⾏最优决策。

  后面的4.1-4.3小节分别对三种分类方法进行介绍。

附录

问题整理

• 分类的线性模型的中，为什么决策面是D维输⼊空间中的(D − 1)维超平⾯？
  在线性模型中，决策面为${\text{w}}^T\text{x}+b=0$。x的维度是D，则${\text{w}}^T\text{x}+b=0$即是D维输⼊空间中的(D − 1)维超平⾯。

后续工作

4.4、4.5两节还未完全看完。