读书笔记——《模式识别 Pattern Recognition》
来源:互联网 发布:网易闪电邮for mac版 编辑:程序博客网 时间:2024/06/05 00:56
第二章 基于贝叶斯决策理论的分类器
第二三四章介绍分类器的设计,设计分类器是将未知类型的样本分类到最可能的类别中。现在的任务是什么是最可能(most probable)。
给定一个M类(w1,w2,w3····wm)的分类任务何一个用特征向量x表示的未知样本,生成M个条件概率P(wi|x),i=1,2,···,M。有时也称之为后验概率(posteriori probalbilities),也就是对于特征向量x,每一项都代表未知样本属于某一特定类wi的概率。
首先要完成的任务是条件概率的计算,而贝叶斯规则(bayes rule)条件概率是非常有用的。接下来主要基于可利用的实验数据(训练集样本的特征向量)来讨论估算概率密度函数(probability density function)。(PS:CSDN博客太难写啦,不知道有菜鸟也想写写博客咩~(苦笑+苦笑))
2.1 贝叶斯决策理论
最小化分类错误率
2.2 判别函数和决策面
2.3 正态分布的贝叶斯分类
阅读全文
0 0
- 读书笔记——《模式识别 Pattern Recognition》
- 读书笔记——《模式识别 Pattern Recognition》
- Pattern Recognition读书笔记——导论
- 模式识别(Pattern Recognition)学习笔记(二)——贝叶斯决策
- 模式识别(Pattern Recognition)学习笔记(三)——最小错误率贝叶斯决策
- 模式识别(Pattern Recognition)学习笔记(四)——最小风险贝叶斯决策
- 模式识别(Pattern Recognition)学习笔记(七)——线性分类器及线性判别函数
- 模式识别(Pattern Recognition)学习笔记(二)——贝叶斯决策
- 模式识别(Pattern Recognition)学习笔记(三)——最小错误率贝叶斯决策
- 模式识别(Pattern Recognition)学习笔记(四)——最小风险贝叶斯决策
- 模式识别(Pattern Recognition)学习笔记(七)——线性分类器及线性判别函数
- 模式识别(Pattern Recognition)学习笔记(五)——概率密度函数(pdf)的参数估计
- 模式识别(Pattern Recognition)学习笔记(六)——概率密度函数的非参估计
- 模式识别(Pattern Recognition)学习笔记(五)——概率密度函数(pdf)的参数估计
- 模式识别(Pattern Recognition)学习笔记(六)——概率密度函数的非参估计
- 模式识别(Pattern Recognition)和机器学习(Machine Learning)
- 模式识别Pattern Recognition和机器学习Machine Learning资源
- 模式识别(Pattern Recognition)学习笔记(九)--感知器
- mysql trim函数
- 三种常用的Apk反编译工具
- Lucene 5.0 stored fields format & compress
- 系统调用实现Linux命令 cp
- eclipse下的plugins导入hadoop-eclipse-plugin-2.7.1.jar,Preference下没有hadoop Map/Reduce的解决方法
- 读书笔记——《模式识别 Pattern Recognition》
- PHP mysql_num_fields() 函数
- 通过git命令行从github或服务器上克隆、修改和更新项目
- BZOJ 4247: 挂饰 背包dp
- 生活方式游戏化
- 在VPS服务器上搭建属于自己的nginx服务器
- 游戏化思维总结
- 各种曲线
- python 3.6集成安装xadmin