哈工大模式识别课程3用概率密度函数估计市公开课一等奖省赛课获奖_第1页
哈工大模式识别课程3用概率密度函数估计市公开课一等奖省赛课获奖_第2页
哈工大模式识别课程3用概率密度函数估计市公开课一等奖省赛课获奖_第3页
哈工大模式识别课程3用概率密度函数估计市公开课一等奖省赛课获奖_第4页
哈工大模式识别课程3用概率密度函数估计市公开课一等奖省赛课获奖_第5页
已阅读5页，还剩39页未读， 继续免费阅读

付费下载

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

哈尔滨工业大学第3章概率密度函数预计第1页主要内容引言参数预计正态分布参数预计非参数预计本章小结第2页引言

第3页【引言】贝叶斯决议公式

第4页【引言】

算法基本步骤第5页【引言】

存在问题：第6页【引言】

问题处理第7页【引言】

参数预计分类第8页【引言】

参数预计基本概念第9页参数预计

第10页【参数预计】

最大似然预计贝叶斯预计贝叶斯学习第11页【最大似然预计】基本假设第12页【最大似然预计】基本概念第13页【最大似然预计】基本原理第14页【最大似然预计】预计量预计值第15页【最大似然预计】一元参数第16页【最大似然预计】多元参数第17页【最大似然预计】例子：第18页【贝叶斯预计】采取最小风险贝叶斯决议第19页【贝叶斯预计】第20页【举例】假设结论：第21页【贝叶斯预计】第22页【贝叶斯学习】第23页【三种方法总结】第24页【三种方法总结】第25页正态分布参数预计

第26页【最大似然预计】单元正态分布：

多元正态分布：最大似然预计方程：其中第27页【贝叶斯预计】第28页【贝叶斯预计】第29页非参数预计

第30页【基本思想】第31页令R是包含样本点x一个区域，其体积为V，设有n个训练样本，其中有k个落在区域R中，则可对概率密度作出一个预计：相当于用R区域内平均性质来作为一点x预计，是一个数据平滑。【基本思想】第32页当n固定时，V大小对预计效果影响很大，过大则平滑过多，不够准确；过小则可能造成在此区域内无样本点，k=0。此方法有效性取决于样本数量多少，以及区域体积选择适当。第33页结构一系列包含x区域R1,R2,…，对应n=1,2,…，则对p(x)有一系列预计：当满足以下条件时，pn(x)收敛于p

(x)：第34页Parzen窗法：区域体积V是样本数n函数，如：K-近邻法：落在区域内样本数k是总样本数n函数，如：【Parzen窗法和K-近邻法】第35页【Parzen窗法和K-近邻法】第36页定义窗函数【Parzen窗法】第37页超立方体中样本数：【Parzen窗法】概率密度预计：第38页上述过程是一个内插过程，样本xi距离x越近，对概率密度预计贡献越大，越远贡献越小。只要满足以下条件，就能够作为窗函数：【Parzen窗法】第39页【Parzen窗法】窗函数第40页hn称为窗宽度【Parzen窗法】第41页【Parzen窗法】第42页保留每个类别全部训练样本；选择窗函数形式，依据训练样本数n选择窗函数h宽度；识别时，利用每个类别训练样本

人人文库> 全部分类> 应用文书 > 作业报告

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论