[贝叶斯三]之决策函数和决策面

本文详细介绍了贝叶斯决策中的决策面概念,通过1维空间的例子展示决策面如何划分类别,并数学化地阐述了决策面的确定方法。同时,讨论了判决函数的重要性,特别是单调递增函数在判决过程中的应用。最后,概述了不同特征空间中决策面的形态,从1维到3维的空间变化。
摘要由CSDN通过智能技术生成

一、决策面(Decision Surfaces)

1.1 概念

如果输入的数据是一个 L L 维空间特征,考虑一个 M 分类问题,那么分类器将会把这个 L L 维空间的特征点分为 M 个区域。每个区域显然就属于一个类别,如果输入一个点 x x 落在第 i 个区域,那么 x x 就属于第 i 类。分割成这些区域的边界就称为决策面

1.2 例子

下面是一个简答的例子:

这里写图片描述

输入是一维,决策函数是 p(x|w) p ( x | w ) ,将两个类别的函数取值画出(如图的高斯函数图形)。如图虚线部分就是决策面(该决策面其实就是一个点 x0 x 0 ),点的左边因为 w1 w 1 函数值大,所以判定为第一类。

1.3 数学化

对于两个相邻的区域

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值