模式识别ch2贝叶斯分类

1、第二章 贝叶斯决策理论,模 式 识 别,Pattern Recognition,第二章 贝叶斯决策理论,2.1 引言,1,2,3,2.2 基于最小错误率的Bayes决策,2.3 基于最小风险的Bayes决策,2.4 正态分布的最小错误率Bayes决策,2.5 Neuman-Pearson 决策,4,5,2.6 最小最大决策,6,数据获取,预处理,特征提取与选择,分类决策,分类器设计,2.1 引言,统计决策理论根据每一类总体的概率分布决定决策边界。 Bayes决策理论是统计决策理论的基本方法 每一类出现的先验概率 类条件概率密度,2.1 引言,例：医生要根据病人血液中白细胞的浓度来判断病人 是否

2、患血液病。（两类的识别问题。） 根据医学知识和以往的经验医生知道： 患病的人，白细胞的浓度服从均值2000，方差1000的正态分布；未患病的人，白细胞的浓度服从均值7000，方差3000的正态分布； 一般人群中，患病的人数比例为0.5%。 一个人的白细胞浓度是3100，医生应该做出怎样的判断？,2.1 引言,医生掌握的知识非常充分，他知道 类别的先验分布： 先验分布：没有获得观测数据（病人白细胞浓度）之前类别的分布。,2.1 引言,数学表示：用 表示“类别”这一随机变量， 表示患病， 表示不患病；X 表示“白细胞浓度”这个随机变量，x 表示浓度值。,医生掌握的知识非常充分，他知道 观测数据白细

3、胞浓度分别在两种情况下的类条件分布：,2.1 引言,类条件概率密度函数,评价决策有多种标准，对于同一个问题，采用不同的标准会得到不同意义下“最优”的决策。 Bayes 决策是所有识别方法的一个基准。 Bayes 决策常用的准则： 最小错误率； 最小风险； 在限定一类错误率条件下使另一类错误率为最小的准则（N-P准则）； 最小最大决策准则。,2.1 引言,以两类分类问题为例：已知先验分布P(i)和观测值的类条件分布 p(x|i)，i=1,2问题：对某个样本 x，x1 or x2？,以后验概率为判决函数： 决策规则：,2.2 Bayes最小错误率决策,若 P (1 / x) P (2 / x) 则

4、判 x 1,若 P (2 / x) P (1 / x) 则判 x 2,后验概率 P(i| x)的计算,Bayes公式：假设已知先验概率P(i)和观测值的类条件分布 p(x|i)，i=1,2,两类细胞识别问题：正常(1)和异常(2) 根据已有知识和经验，两类的先验概率为： 正常(1)： P(1)=0.9 异常(2)： P(2)=0.1 对某一样本观察值x，通过计算或查表得到： p(x|1)=0.2， p(x|2)=0.4 如何对细胞x进行分类？,后验概率 P(i| x)的计算,利用贝叶斯公式计算两类的后验概率：,决策结果,后验概率 P(i| x)的计算,p(1|x),p(2|x),类条件概率密度

5、函数,后验概率,2.2 Bayes最小错误率决策,等价的判别规则, h(x) = - ln l ( x ) = -ln P (x/ 1) + ln P (x/ 2),最小错误率决策,2.2 Bayes最小错误率决策,决策域: 对于m类分类问题，按照判别规则可以把特征向量空间(或称模式空间)分成m个互不相交的区域Ri ,i=1,2,m 决策边界: 划分决策域的边界，在数学上用解析形式可以表示成决策边界方程。 判别函数: 用于表达决策规则的某些函数。判别函数与决策边界方程是密切相关的，而且它们都由相应的判别规则所确定。,若 k = argmax g i (x), i = 1,2,m ,则 x k,

6、称g i (x) 为第 i 类的判别函数.,对每一类别, 定义一个函数g i(x) i = 1,2,m, 且满足,下述g i(x)均为最小错误率判别规则判别函数.,不同的判别方法有不同的判别函数。确定了判别函数，决策边界也就确定下来了,相邻的两个决策域在决策边界上其判别函数值是相等的。 如果决策域 R i与 Rj 是相邻的,则分割这两个决策域的决策边界方程应满足：,一般地说， 模式 x 为,二维时，决策边界为一曲线；,三维时，决策边界为一曲面；,d维(d3)时，决策边界为一超曲面。,一维时，决策边界为一分界点；,分类器设计,分类器是某种由硬件或软件组成的“机器”： 计算c个判别函数gi(x)

7、最大值选择,判别函数,多类识别问题的Bayes最小错误率决策：gi(x) = P (i |x),决策的错误率,条件错误率：,最小错误率决策,（平均）错误率是条件错误率的数学期望,（平均）错误率：,决策的错误率,最小错误率决策,条件错误率P(e|x)的计算:以两类问题为例，当获得观测值x后，有两种决策可能：判定 x1 ，或者x2。 条件错误率为：,决策的错误率,设t为两类的分界面，则在特征向量x是一维时，t为x轴上的一点。两个决策区域:R1(-，t)和R2(t，+),最小错误率决策,决策的错误率,t,决策的错误率,Bayes最小错误率决策使得每个观测值下的条件错误率最小因而保证了（平均）错误率最

8、小。 Bayes决策是一致最优决策。,最小错误率决策,多类决策过程,决策规则,如果 ，则,错误率,特种空间分割成 个区域，平均错误率 由c(c-1)项组成。,多类决策过程,决策规则,如果 ，则,错误率,特种空间分割成 个区域，平均错误率 由c(c-1)项组成。,此时，可以计算平均正确分类概率 p(c), 则,p(e) =1- p(c),决策的风险： 做决策要考虑决策可能引起的损失。 以医生根据白细胞浓度判断一个人是否患血液病为例： 没病(1)被判为有病(2) ，还可以做进一步检查，损失不大； 有病(2)被判为无病(1) ，损失严重。,2.3 基于最小风险的Bayes决策,损失矩阵,最小风险决策

9、,损失的定义：(N类问题)做出决策 D(x) = ，但实际上 xj，受到的损失定义为：,决策规则：,2.3 基于最小风险的Bayes决策,风险R（期望损失）：对x采取一个判决行动所付出的代价。 条件风险（也叫条件期望损失）：,基于最小风险的Bayes决策：决策带来的损失的（平均）风险最小。 Bayes最小风险决策通过保证每个观测值下的条件风险最小，使得它的期望风险最小，是一致最优决策。,2.3 基于最小风险的Bayes决策,两类问题最小风险Bayes决策,决策规则为 若 R(1 | x) R(2 | x)，则选择 1.,最小风险决策,等价形式为 若 (21-11) p(x| 1) p(1) (

10、12- 22) p(x|2) p(2) ， 则选择 1,Bayes最小风险决策例解,两类细胞识别问题：正常(1)和异常(2) 根据已有知识和经验，两类的先验概率为： 正常(1)： P(1)=0.9 异常(2)： P(2)=0.1 对某一样本观察值x，通过计算或查表得到： p(x|1)=0.2， p(x|2)=0.4 11=0， 12=6， 21=1， 22=0， 按最小风险决策如何对细胞x进行分类？,最小风险决策,Bayes最小风险决策例解（2）,后验概率： P(1|x) =0.818， P(2|x) =0.182,决策结果,最小风险决策,两类判别法的联系,基于最小错误率的Bayes决策可作为

11、最小风险Bayes决策的一种特殊情形。 只需要定义损失为：,最小风险决策,决策正确时，损失为0决策错误时，损失为1,2.4 正态分布的最小错误率Bayes决策,Bayes决策中，类条件概率密度的选择要求： 模型合理性 计算可行性 常用概率密度模型：正态分布 观测值通常是很多种因素共同作用的结果，根据中心极限定理，服从正态分布。 计算、分析最为简单的模型。,一元正态分布,正态分布Bayes决策,一元正态分布及其两个重要参数： 均值（中心） 方差（分散度）,多元正态分布,观测向量：实际应用中，可以同时观测多个值，用向量表示。多元正态分布：,正态分布Bayes决策,多元正态分布的性质,参数和完全决定

12、分布 不相关性等价于独立性 边缘分布和条件分布的正态性 线性变换的正态性:线性变换的正态性Y=AX，A为线性变换矩阵。若X为正态分布，则Y也是正态分布。 线性组合的正态性,正态分布Bayes决策,观测向量的类条件分布服从正态分布： 判别函数的计算：,判别函数中与类别i无关的项，对于类别的决策没有影响，可以忽略。,2.4 正态分布的最小错误率Bayes决策,2.5 正态分布的最小错误率Bayes决策,决策面,最小距离分类器与线性分类器,判别函数的简化计算：,正态分布Bayes决策,最小距离分类器,线性分类器,第一种特例：,协方差相等且具有相同的方差,最小距离分类器与线性分类器,正态分布Bayes

13、决策,第一种特例：,协方差相等且具有相同的方差,最小距离分类器与线性分类器,第一种特例：,正态分布Bayes决策,协方差相等且具有相同的方差,最小距离分类器与线性分类器,第二种特例：,正态分布Bayes决策,协方差阵相等,最小距离分类器与线性分类器,第二种特例：,判别函数的简化计算：,正态分布Bayes决策,Mahalanobis距离,线性分类器,协方差阵相等,正态模型的Bayes决策面,两类问题正态模型的决策面： 决策面方程：g1(x)=g2(x) 两类的协方差矩阵相等，决策面是超平面。 两类的协方差矩阵不等，决策面是超二次曲面。,正态分布Bayes决策,正态分布下的几种决策面的形式,正态分

14、布Bayes决策,正态分布的Bayes决策例解,两类的识别问题：医生要根据病人血液中白细胞的浓度来判断病人是否患血液病。 根据医学知识和以往的经验，医生知道： 患病的人，白细胞的浓度服从均值2000，方差1000的正态分布；未患病的人，白细胞的浓度服从均值7000，方差3000的正态分布； 一般人群中，患病的人数比例为0.5%。 一个人的白细胞浓度是3100，医生应该做出怎样的判断？,正态分布Bayes决策,数学表示：用表示“类别”这一随机变量，1表示患病， 2表示不患病；x表示“白细胞浓度”这个随机变量。 例子中，医生掌握的知识非常充分，他知道： 1) 类别的先验分布：P(1) = 0.5%

15、P(2) = 99.5%先验分布：没有获得观测数据（病人白细胞浓度）之前类别的分布,正态分布Bayes决策,正态分布的Bayes决策例解,2) 观测数据白细胞浓度分别在两种情况下的类条件分布： P(x|1) N(2000,1000) P(x|2) N(7000,3000) P(3100|1) = 2.1785e-4 P(3100|2) = 5.7123e-5 P(1|3100)=1.9% P(2|3100)=98.1% 医生的判断：正常,正态分布Bayes决策,正态分布的Bayes决策例解,1.输入类数M；特征数n，待分样本数m. 2.输入训练样本数N和训练集资料矩阵X(Nn)。并计算有关参数

16、。 3.计算矩阵y中各类的后验概率。 4.若按最小错误率原则分类，则可根据 3 的结果判定y中各类样本的类别。 5.若按最小风险原则分类，则输入各值，并计算y中各样本属于各类时的风险并判定各样本类别。,Bayes分类的算法（假定各类样本服从正态分布）,例1、有训练集资料矩阵如下表所示，现已知，N=9、N1=5、N2=4、n=2、M=2，试问，X=(0,0)T应属于哪一类？,解1、假定二类协方差矩阵不等（12） 则均值:,解2、假定两类协方差矩阵相等=1+2,采用最小错误率贝叶斯决策需要知道先验概率. P ( i ) ，但有时P (i ) 难以确定。采用最小风险贝叶斯决策需要确定恰当的损失值，这

17、也并非易事. 在两类问题决策中，有时要求 P2 ( e ) 不得大于某个常数，即取 P2 ( e ) ， 是一个很小的常数，在这个条件下再要求 P1( e )尽可能小. 在这种情况下, 奈曼-皮尔逊决策为此提供了一种决策方案.,2.5 Neyman-Pearson 决策,2.5 Neyman-Pearson 决策,这种决策可看成是在 条件下，求 的条件极小值问题. 可采用拉格朗日乘数法求解.,F = P1 ( e ) +(P2 ( e ) -0 ),2.5 Neyman-Pearson 决策,这种决策可看成是在 条件下，求 的条件极小值问题. 可采用拉格朗日乘数法求解.,2.5 Neyman-

18、Pearson 决策,这种决策可看成是在 条件下，求 的条件极小值问题. 可采用拉格朗日乘数法求解.,同理,由此得判别规则为,2.5 Neyman-Pearson 决策,这种决策可看成是在 条件下，求 的条件极小值问题. 可采用拉格朗日乘数法求解.,同理,的求法:,利用约束条件,例：两类的模式分布为二维正态 协方差矩阵为单位矩阵1=2=I，设20.09 求 N-P 准则 .,2.5 Neyman-Pearson 决策,解：,2.5 Neyman-Pearson 决策,2.5 Neyman-Pearson 决策,于是得与2的关系表如下：,由已知,可计算得在 2中 x 1 N( 1, 1 ), 进一步可得,2.5 Neyman-Pearson 决策,所以此时N-P分类器的分界线为：,2.6 最小最大决策,从最小错误率和最小风险的贝叶斯决策中可以看出,其决策都是与先验概率P(i)有关的,当先验概率已知时,按照贝叶斯决策规则,可以使错误率或风险最小,如果P(i)是可变的或事先对先验概率毫无所知,就无法用贝叶斯决策. 本节介绍一种最小化最大风险的决策方法,也就是在最差的条件下,争取最好的结果,我们