о выборе класса может быть принято на основе оценки апостериорной
вероятности, рассчитанной по теореме Байеса, и выбора наибольшей вероятностиАприорная вероятность известна из закона многомерного нормального распределения
Разделы презентаций
- Разное
- Английский язык
- Астрономия
- Алгебра
- Биология
- География
- Геометрия
- Детские презентации
- Информатика
- История
- Литература
- Математика
- Медицина
- Менеджмент
- Музыка
- МХК
- Немецкий язык
- ОБЖ
- Обществознание
- Окружающий мир
- Педагогика
- Русский язык
- Технология
- Физика
- Философия
- Химия
- Шаблоны, картинки для презентаций
- Экология
- Экономика
- Юриспруденция
Классификация на основе оценки апостериорной вероятности
Содержание
- 1. Классификация на основе оценки апостериорной вероятности
- 2. Классификация на основе оценки апостериорной вероятностиРаскроем показатель (*)Учитывая, что В результате мы получим следующее выражение
- 3. Классификация на основе оценки апостериорной вероятностиРешение о
- 4. Классификация двух нормальных распределений с неравными матрицами
- 5. Классификация двух нормальных распределений с неравными матрицами
- 6. Классификация двух нормальных распределений с неравными матрицами
- 7. Классификация двух нормальных распределений с неравными матрицами
- 8. Классификация двух нормальных распределений с неравными матрицами
- 9. Классификация двух нормальных распределений с неравными матрицами ковариацийТеперь подставим все заготовки в общую формулу
- 10. Классификация двух нормальных распределений с неравными матрицами
- 11. До Следующей Лекции!
- 12. Скачать презентанцию
Классификация на основе оценки апостериорной вероятностиРаскроем показатель (*)Учитывая, что В результате мы получим следующее выражение
Слайды и текст этой презентации
Слайд 1Классификация на основе оценки апостериорной вероятности
Как было показано ранее, решение
Слайд 2Классификация на основе оценки апостериорной вероятности
Раскроем показатель (*)
Учитывая, что
В
результате мы получим следующее выражение
Слайд 3Классификация на основе оценки апостериорной вероятности
Решение о классе объекта ищется
на основе критерия максимума
Соответственно, учитывая, что первый сомножитель не зависит
от номера класса, так как рассматривается случай равных матриц ковариации, получаем формулу
Слайд 4Классификация двух нормальных распределений с неравными матрицами ковариации
Рассмотрим построение статистической
решающей функции при условии «∑1 отлично от ∑2» и заданных
математических ожиданиях классов M1 и M2Построим отношение правдоподобия Λ(X) = f(X | 1) / f(X | 2) , где
Рассмотрим отношение правдоподобия
Слайд 5Классификация двух нормальных распределений с неравными матрицами распределения
Логарифмируем отношение
правдоподобия
После приведения к общему виду получим следующую запись
Слайд 6Классификация двух нормальных распределений с неравными матрицами ковариации
Если выполняется случай
Σ1 = Σ2 = Σ, получаем выражение, изученное ранее
В
этом случае мы имеем линейную дискриминациюПри неравных матрицах ковариации дискриминация будет нелинейной и разделяющая поверхность будет определяться уравнением U(X) = 0
На следующем рисунке показаны разделяющие поверхности
Слайд 7Классификация двух нормальных распределений с неравными матрицами ковариации
Рассмотрим случай, когда
математические ожидания обоих распределений равны нулю : M1 = M2
= 0. Матрицы ковариации в этом случае определяются следующим образомА линии равной плотности представлены на следующем рисунке
Слайд 8Классификация двух нормальных распределений с неравными матрицами ковариации
В самом частном
случае K = 1 q1 = q2 из чего следует
ln K = 0 C(2|1) = C(1|2)
Слайд 9Классификация двух нормальных распределений с неравными матрицами ковариаций
Теперь подставим все
заготовки в общую формулу
Слайд 10Классификация двух нормальных распределений с неравными матрицами ковариации
Решаем уравнение U(x)
= 0 и получаем уравнение сферы
Таким образом, разделяющая поверхность
выглядит очень просто
На рисунке справа показан случай в одномерной области
