人工智能PPT样板2.1引言仅根据先验概率的判决规则ifP(1)>P(2)则判为1否则判为2连续判决和误差概率使用类条件概率信息（P(x|)类条件概率密度函数）P(x|1)和P(x|2)描述两类鱼光泽度的不同2.1引言2.1引言根据后验概率判决X是观测属性ifP(1|x)>P(2|x)判决状态为1ifP(1|x)<P(2|x)判决状态为2所以:当我们观测到一个x,判决的误差概率为:P(error|x)=P(1|x)如果判决为2P(error|x)=P(2|x)如果判决为12.1引言2.2贝叶斯决策论——连续特征2.2贝叶斯决策论——连续特征两类情况下1:判为12:判为2ij=(i|j):类别为j时误判为i所引起的损失条件风险:R(1|x)=11P(1|x)+12P(2|x)R(2|x)=21P(1|x)+22P(2|x)判决规则如下:如果R(1|x)<R(2|x)则采取行动1:“判为1”等价判决规则1:如果:(21-11)P(1|x)>(12-22)P(2|x)判为1否则判为22.2贝叶斯决策论——连续特征2.3最小误差率分类最小化误差概率，需要最大化后验概率P(i|x)(因为R(i|x)=1–P(i|x))基于最小化误差概率，有：对任给ji，如果P(i|x)>P(j|x)，则判为i2.4分类器、判别函数及判定面2.4分类器、判别函数及判定面2.4分类器、判别函数及判定面2.4分类器、判别函数及判定面2.5正态密度2.5正态密度多元密度函数一般的d维多元正态密度的形式如下:x=(x1,x2,…,xd)t=(1,2,…,d)t均值向量=d*d协方差矩阵||行列式值-1逆矩阵2.6正态分布的判别函数2.6正态分布的判别函数“线性机器”使用线性判别函数的分类器。线性机器的决策面是一个由下式定义的超平面:gi(x)=gj(x)情况：2i=(有所类的协方差矩阵都相等，但各自均值向量任意!)2.6正态分布的判别函数情况3：i=任意，每一类的协方差矩阵是不同的Thankyou!