本文介绍了贝叶斯决策理论在模式识别中的应用，强调了在已知类别概率分布和特征向量的情况下，如何进行分类。讨论了两种基本决策规则：基于最小错误率和基于最小风险的贝叶斯决策，为统计模式识别提供基础方法。
引言
模式识别的分类问题是根据识别对象特征的观察值将其分到某个类别中去。
统计决策理论是处理模式分类问题的基本理论之一。贝叶斯决策理论方法是统计模式识别中的一个基本方法，用它进行分类时要求：
（1）各类别总体的概率分布是已知的（2）要决策分类的类别数是一定的
在连续情况下，假设对要识别的物理对象有d种特征观察量x1，x2，…，xd这些特征的所有可能的取值范围构成了d维特征空间，我们称向量x=[ x1，x2，…，xd]T为d维特征向量，这里T是转置符号。要研究的分类问题有c个类别，各类别状态用ωi来表示，i=1，2，…，c；对应于各个类别出现的先验概率p(ωi)及类条件概率密度p(x|ωi)是已知的。
1144
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
最低0.47元/天 解锁文章
