[贝叶斯七]之正态分布贝叶斯决策

贝叶斯是非常传统，理论简单，但是非常有效的一种机器学习方法。经过大量实验表明，贝叶斯方法是极具鲁棒性的。至今为止仍然有很多人在研究贝叶斯的基础理论，而且发现许多算法都可以由贝叶斯推导而来，所以贝叶斯是具有极大的研究价值的理论。

这一章节我们就来扯一扯正态分布数据的贝叶斯决策理论，看看我们能搞点什么事情出来。自己多多推导，没准能发现新的大陆。许多优秀的算法，比如SVM等等往往就是这样诞生的。

这一节因为推导的东西比较多，可能很枯燥。所以先搞个大纲出来，看看我们接下来要搞点什么事情。

• 正态分布
  
  • 单变量正态分布
  • 多变量正态分布
  • 正态分布的特点
• 贝叶斯分类器设计
  
  • 理论推导
  • 简化case1：最小欧式距离
  • 简化case2：马氏距离
  • General

主要就是这样一个构架了，谈正态分布的贝叶斯决策，显然我们得谈谈正态分布，然后由此出发，我们从最简单的case(增加各种假设条件，得到一个最简单的模型)，然后依次General。

闲话少说，开始我们的旅程吧。

一、正态分布

这里不是将概率论，详情请看我们写的数学系列教程。这里我们从需求出发，简单阐述单变量正态分布、多变量正态分布，最重要的是阐述一下正态分布的特点。

1.1 单变量正态分布

首先，搞个热身运动。下面是最简单的单变量正态分布。

其中：

• Pdf（单变量概率密度函数）

$$p(x) = \frac {1}{\sqrt{2\pi}\sigma} e^{\{-\frac{1}{2}(\frac{x-\mu}{\sigma})^2\}}$$

• Mean Vector (均值)

$$\mu = E{\{x\}} = \int xp(x)dx$$

• Variance（方差）

$$\sigma^2 = E{\{(x-u)^2\}} = \int (x-\mu)^2p(x)dx$$

• 数学表达式

$$p(x) ~ N(\mu, \sigma^2)$$

1.2 多变量正态分布

• 多变量pdf表达

$$p(x)=\frac{1}{(2\pi)^{1/2}|\sum|^{1/2}}\exp {\{-\frac{1}{2}(x-\mu)^T{\sum}^{-1}(x-\mu)\}}, \quad x \in R^l$$

• Mean Vector（均值）

$$\mu = E[x] = E[x_1,x_2,.....,x_l]$$

• Convariance matrix (协方差矩阵)

$$\begin{align} \sum &= E[(x-\mu)(x-\mu)^T]\\ \end{align}$$
$$= \begin{bmatrix} \sigma_{11}^2 & \sigma_{12}^2 & \cdots & \sigma_{1l}^2\\ \sigma_{21}^2 & \sigma_{22}^2 & \cdots & \sigma_{2l}^2\\ \vdots & \vdots & \ddots & \vdots\\ \sigma_{l1}^2 & \sigma_{l2}^2 & \cdots & \sigma_{ll}^2\\ \end{bmatrix}$$

• 数学表达

$$p(x) ~ N(\mu, \Sigma)$$

1.3 正态分布的特点

• $K$个参数(均值和方差)决定$L-dim$ 的正态分布

$$K = l + l \ (l+1)/2$$

• 超椭球面(super-ellipsoid)上点概率值相等

• 协方差矩阵的特征向量决定主轴，而且主轴的长度和协方差矩阵的特征向量是成比例的。
• 对于正态分布来说，不相关和独立是相等的
• 如果x是独立的，那么协方差矩阵是对角矩阵

二、贝叶斯分类器设计

这一小节的目的是：在输入$x$是正态分布的前提下(假设输入的变量是服从正态分布的)，设计一个最小误差MPE贝叶斯分类器。

2.1 理论推导

这里，我们考虑每个类别数据都是服从正态分布的。同样的，我们判决函数用$ln$函数，那么我们能得到如下的决策函数。