运动模式识别

分类器

运动识别常用分类器

• 贝叶斯分类器
• k近邻分类器
• 决策树分类器

---

贝叶斯分类器

贝叶斯分类器的条件是：
（1）要决策分类的类别数是一定的
（2）各类别总体的概率分布是已知的

k近邻分类器

k近邻规则是将一个测试模式x分类为与它最接近的k个近邻中出现最多的那个类别状态。k近邻算法从测试样本点x开始生长，不断扩大区域，直到包含k个训练样本点为止，并且把测试样本点x归为这个最近的k个训练样本点中出现频率最大的类别状态。
k近邻算法步骤：
（1）构建训练样本集合Y；
（2）设定k的初值
（3）训练样本集Y中选出与待测样本x最近的k个样本（一般使用欧式距离来度量）
（4）给定一个待分类样本x，距离其最近的k个样本标记为y1…yk，找出最近k个训练样本点中出现频率最大的类别
（5）得到待测样本x的类别状态

决策树分类器

决策树分类器是以实例为基础的归纳学习算法，它从一个无次序、无规则的实例集合中归纳出一组采用树形结构表示的分类规则。决策树处理分类问题分成两步：
（1）对训练集合的学习，形成决策树分类模型
（2）利用生成的决策树模型对类型未知的样本进行分类。
决策树模型对未知样本进行分类时从根节点开始逐步对该样本的属性进行测试，并沿着相应的分支向下走，直至到达某个叶节点，此时叶节点所代表的的类型即为该样本的类型。决策树算法的核心问题是选取测试属性和决策树的剪枝。