第三章线性分类器 966 确定分类的关键技术之一是确定判别函数 例：贝叶斯决策，实际是用后验概率密度P(w:/x) 作为判别函数。但P(w:/x)估计有困难（p(x/W;)难 确定)。 另一种方法：直接用样本集设计分类器
确定分类的关键技术之一是确定判别函数 例：贝叶斯决策，实际是用后验概率密度P(wi/x) 作为判别函数。但P(wi/x)估计有困难（p(x/wi)难 确定)。 另一种方法:直接用样本集设计分类器。 第三章 线性分类器
思路： /96 知道模式类别的分布； 能找出d维空间中模式类之间的分界。 运用已知类别的训练样本进行学习 得到若干个代数界面g心)=0 9(X)=0 判别函数 08 W2 0o0 N 00
思路： 知道模式类别的分布； 能找出d维空间中模式类之间的分界。 •运用已知类别的训练样本进行学习 •得到若干个代数界面g(X)=0 判别函数
966 两个步骤： 1)确定判别函数类型g:(x) 2)利用样本集确定判别函数的未知参数
两个步骤： 1）确定判别函数类型gi(x) 2）利用样本集确定判别函数的未知参数
线性判别函数 J966 线性判别函数： 当g(x)只是样本x的一次函数时，称为线性 判别函数，对应的分界面为超平面。 或：对于c个类别，各给出一个由d个特征组成的 单值函数，叫做线性判别函数。 记为g1（x),,g。(x)，分别对应w1,,W
线性判别函数 线性判别函数： 当g(x)只是样本x的一次函数时，称为线性 判别函数，对应的分界面为超平面。 或：对于c个类别，各给出一个由d个特征组成的 单值函数，叫做线性判别函数。 记为g1(x),…,gc(x)，分别对应w1,…,wc
966 若g()>g(),ij,j=1,,C,则k∈w 在w与w,的分界面上，则g)=g) 数学表达式： g(x)=w'x+wo 其中： w一d维权向量w=[w,w2,…,wa] X一d维特征向量x=[x,x2,…,xa] w。一阈值权
若 gi (x)>gj (x)，ij，j=1,…,c，则xwi ； 在wi 与wj 的分界面上，则gi (x)=gj (x) 数学表达式： 0 ( ) T g x w x w w —d维权向量 x —d维特征向量 w0 —阈值权 1 2 [ , , , ]T w w w w d 1 2 [ , , , ]T d x x x x 其中：