线性判别函数的多分类情况

多类情况1

用线性判别函数将属于 ω i \omega_{i} ωi类的模式与不属于 ω i \omega_{i} ωi类的模式分开。判别函数为:
d i ( x ) = w i T x = { > 0   i f   x ∈ ω i ≤ 0 ,   i f   x ∉ ω i i = 1 , 2 , . . . , M d_{i}(x)=w_{i}^{T}x=\left\{\begin{matrix}>0 \ if\ x\in \omega_{i}\\ \leq 0,\ if\ x\notin \omega_{i} \end{matrix}\right.\\ i=1,2,...,M di(x)=wiTx={>0 if xωi0, if x/ωii=1,2,...,M
这被称为 ω i / ω i ˉ \omega_{i}/\bar{\omega_{i}} ωi/ωiˉ两分法,即把 M M M类多分类问题分成 M M M个二分类问题,因此共有 M M M个判别函数。对于 x ∈ ω i x\in \omega_{i} xωi,应同时满足 d 1 ( x ) > 0 , d i ( x ) ≤ 0 , i = 2 , . . . , M d_{1}(x)>0,d_{i}(x)\leq 0,i=2,...,M d1(x)>0,di(x)0,i=2,...,M
不确定区域:若对某一模式区域, d i ( x ) > 0 d_{i}(x)>0 di(x)>0的条件超过一个,或全部 d i ( x ) ≤ 0 d_{i}(x)\leq 0 di(x)0,则分类失败,此区域被称为不确定区域(IR).

多类情况2

采用每对划分法,即 ω i / ω j \omega_{i}/\omega_{j} ωi/ωj两分法。此时一个判别界面只能分开两种类别,但不能把它与其他所有界面分开,判别函数为:
d i j ( x ) = w i j T x = { > 0   i f   x ∈ ω i ≤ 0 ,   i f   x ∉ ω i ∀ i ≠ j d_{ij}(x)=w_{ij}^{T}x=\left\{\begin{matrix}>0 \ if\ x\in \omega_{i}\\ \leq 0,\ if\ x\notin \omega_{i} \end{matrix}\right.\\ \forall i \neq j dij(x)=wijTx={>0 if xωi0, if x/ωii̸=j
重要性质: d i j = − d j i d_{ij}=-d_{ji} dij=dji
所以要分开 M M M类模式,共需 M ( M − 1 ) 2 \frac{M(M-1)}{2} 2M(M1)
不确定区域: 若所有 d i j ( x ) d_{ij}(x) dij(x),找不到 ∀ j ≠ i , d i j ( x ) > 0 \forall j\neq i,d_{ij}(x)>0 j̸=i,dij(x)>0的情况

多类情况3

此类方法没有不确定区域的 ω i / ω j \omega_{i}/\omega_{j} ωi/ωj两分法。首先需要构造 M M M个判别函数:
d k ( x ) = w k T x , k = 1 , 2 , . . . , M d_{k}(x)=w_{k}^{T}x,k=1,2,...,M dk(x)=wkTx,k=1,2,...,M
此时若存在:
d i ( x ) = max ⁡ { d k ( x ) , k = 1 , 2 , . . . , M } d_{i}(x)=\max\{d_{k}(x),k=1,2,...,M\} di(x)=max{dk(x),k=1,2,...,M}
x ∈ ω i x\in \omega_{i} xωi。也可以写为若 d i ( x ) > d j ( x ) , ∀ j ≠ i , i , j = 1 , 2 , . . . , M d_{i}(x)>d_{j}(x),\forall j\neq i,i,j=1,2,...,M di(x)>dj(x),j̸=i,i,j=1,2,...,M,则 x ∈ ω i x\in \omega_{i} xωi。该分类的特点是把 M M M类情况分成 M − 1 M-1 M1个两类问题。

已标记关键词 清除标记
相关推荐
©️2020 CSDN 皮肤主题: 编程工作室 设计师:CSDN官方博客 返回首页