第2章贝叶斯决策理论 第2章贝叶斯决策理论 2.1分类器的描述方法 2.2最大后验概率判决准则 2.3最小风险贝叶斯判决准则 2.4Neyman-Person 判决准则 2.5最小最大风险判决准则 习题第2章贝叶斯决策理论 2.1分类器的描述方法 2.1.1基本假设 给定模式空间S,由m 个互不相交的模式类集合 组成,即 , 。 几个基本假设如下: (1) 假定类 i 的先验概率为P( i ); (2) 样本( 或模式) x由特征向量来表示, 同样记为x, 假设 为d维, 即x=(x 1 , x 2 , , x d ); 第2章贝叶斯决策理论 (3) 特征向量x的取值范围构成特征空间, 记为R d ; (4) 特征向量x的类条件概率密度函数为p(x| i ), 表示当 样本x i 时, 特征向量x的概率密度函数; (5) 特征向量x的后验概率为P( i |x), 表示在特征向量x出 现的条件下, 样本x来自类 i 的概率, 即类 i 出现的概率。 模式识别就是根据特征向量x的取值, 依据某个判决准则把样 本x划分到 1 , 2 , , m 中的一个。 第2章贝叶斯决策理论 2.1.2模