本文回顾了《模式分类》第二至第四章的主要内容，重点关注使用贝叶斯公式进行分类的原理。作者指出，核心在于求解类条件概率密度，以此为基础建立分类准则。文章详细阐述了风险和误差率的概念，并解释了如何确定最优分类面以最小化误差率。此外，当类条件概率密度为正态分布时，如何计算分类面也进行了讨论。最后，作者提到，第三章和第四章将涉及参数估计和学习概率密度函数的方法。
记得两年前刚来实验室的时候，导师就让我看Duda的《模式分类》（第二版，李宏东等译），我们组之前的师兄师姐已经以讨论会的形式读过了，所以我只能和另一个刚来的同学自己啃。当时年轻气盛，也不管章节带不带星，就往下读，基本上能大概看懂的公式也都推了一下，虽然算是初步建立起了一个概念，可是由于过于抠细节，上层的脉络都不是很清楚，以至于看了一些很简单的题目都不知道从何下手。
这学期因为选了一门研究生的《模式识别》课，所以重温了其中的内容，这次我跳过所有带星的章节只对最基本的概念和公式进行理解，发现算是把书中前面的脉络大致搞清楚了，所以想写出来和大家分享一下（我基本上只分析不带星号的章节）。
第二章
第二章一上来就利用贝叶斯公式（如下）给出了分类准则。给定一个观测值x，我们把它分为后验概率最大的那一类。
由于先验概率一般是假设已知或者用简单的估计可以给出，于是我们的所有重点内容都放在了求类条件概率密度身上，这也是后面两章的核心内容。这里面有个小细节，公式中先验概率和后验概率都是用大写的P表示，而类条件概率密度和x本身的概率密度都是用小写的p来表示，应该是用来区分概率值和概率密度的差别。给出了公式之后，第二章后面稍作了扩展和解释，引入了风险和误差率的概念。
风险：这一
最低0.47元/天 解锁文章
扫一扫
610
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
