贝叶斯决策论小结
来源:互联网 发布:52单片机p1.0 编辑:程序博客网 时间:2024/05/23 15:42
转自:http://blog.csdn.net/yujianmin1990/article/details/47786803
贝叶斯决策论是解决模式分类问题的一种基本统计途径。其假设:决策问题可以用概率的形式来描述,并且所有有关的概率结构均已知。现对其进行一下简单的总结。
贝叶斯决策准则
按照不同决策标准,会得到不同意义下的最优决策。
最小错误率准则
最小风险准则
最小最大决策准则
Neyman-Pearson准则
最小错误率准则
若样本
则得到误差概率如下:
我们希望平均误差概率最小,
对任意的
此时
因此,得到了最小误差率下的贝叶斯决策准则:如果
根据条件概率,可以将上式转换为
上式也可变为
最小风险准则
考虑各种错误造成损失不同而提出的决策规则。
定义风险函数
定义某一样本
则所有样本采取完某行为后的总风险:
要使得总风险最小,则需要每个样本采取的行为风险
贝叶斯决策规则:每个样本的行为风险最小。
极小化极大准则
消除先验概率
举例子:二分类问题。
设
将条件
以及
上式表明,一旦判决边界
令
简单地说,我们寻找使得贝叶斯风险最大的先验概率,相应的决策边界给出了极小化极大决策结果,因此极小化极大风险值
极小化极大准则,常用于“博弈论”中。
Neyman-Pearson准则
损失函数无法确定;先验概率
需要用Lagrange乘子法求条件极值。
例如,在限定
s.t.
用lagrange乘子法:
为了求极值点,
Neyman-Pearson决策准则:
若
若
分类器的设计
基于最小误差概率的贝叶斯分类器
基于最小总风险的贝叶斯分类器
多类别判别函数
若求解决策面,
小结
贝叶斯决策论是基于概率论的决策,根据不同决策准则,分别得到不同决策意义下的最优判断。
- 贝叶斯决策论小结
- 贝叶斯决策论小结
- 【机器学习】贝叶斯决策论小结
- 贝叶斯决策小结
- 贝叶斯决策与参数估计小结
- 贝叶斯决策论
- 贝叶斯决策论例子
- 贝叶斯决策论
- 二.贝叶斯决策论
- 贝叶斯决策论中的参数估计
- 贝叶斯决策
- 贝叶斯决策
- 贝叶斯决策
- 贝叶斯决策
- 贝叶斯决策
- 贝叶斯决策
- 贝叶斯决策
- 统计决策方法--贝叶斯决策
- 不错的地区选择设计
- css命名规范
- 测试浏览器
- Material Design学习之TabLayout
- IAR 链接外部二进制文件的实现
- 贝叶斯决策论小结
- intellij idea 修改字体 修改主题
- 管理者的10条成功法则
- android登陆界面保存账号密码附带源码
- ScrollView不让拖动
- Java中的BufferedReader
- 测试 查看log
- RecyclerView遇到的两个bug
- xml解析