贝叶斯决策论 口显然,对每个样本X,若h能最小化条件风险R(h(x)|x),则总 体风险R()也将被最小化
贝叶斯决策论 显然，对每个样本 ，若 能最小化条件风险 ，则总 体风险 也将被最小化
贝叶斯决策论 口显然,对每个样本X,若h能最小化条件风险R(h(x)|x),则总 体风险R(h)也将被最小化。 口这就产生了贝叶斯判定准则( Bayes decision rule):为最小化总 体风险,只需在每个样本上选择那个能使条件风险R(C|x)最小的类 別标记,目 h(a)=argmin R(c a) (73) C∈y ●此时,被称为贝叶斯最优分类器( Bayes optimal classifier),与之对应 的总体风险R(h)称为贝叶斯风险( Bayes risk 1-R(h)反映了分类起所能达到的最好性能,即通过机器学习所能产 生的模型精度的理论上限
贝叶斯决策论 显然，对每个样本 ，若 能最小化条件风险 ，则总 体风险 也将被最小化。 这就产生了贝叶斯判定准则（Bayes decision rule）： 为最小化总 体风险，只需在每个样本上选择那个能使条件风险 最小的类 别标记，即 ⚫ 此时，被称为贝叶斯最优分类器(Bayes optimal classifier)，与之对应 的总体风险 称为贝叶斯风险 (Bayes risk) ⚫ 反映了分类起所能达到的最好性能，即通过机器学习所能产 生的模型精度的理论上限
贝叶斯决策论 口具体来说,若目标是最小化分类错误率,则误判损失λ可写为 0. if ; 1, otherwise (74
贝叶斯决策论 具体来说，若目标是最小化分类错误率，则误判损失 可写为
贝叶斯决策论 口具体来说,若目标是最小化分类错误率,则误判损失λ可写为 0. if ; 1, otherwise (74 口此时条件风险 R(c|x)=1-P(c|x)(7.5)
贝叶斯决策论 具体来说，若目标是最小化分类错误率，则误判损失 可写为 此时条件风险
贝叶斯决策论 口具体来说,若目标是最小化分类错误率,则误判损失λ可写为 0. if ; 1, otherwise (74) 口此时条件风险 R(C x) CX (75) 口于是,最小化分类错误率的贝叶斯最有分类器为 h"(a)=argmax P(c a)(7.6) C∈y ●即对每个样本ⅹ,选择能使后验概率P(c|x)最大的类别标
贝叶斯决策论 具体来说，若目标是最小化分类错误率，则误判损失 可写为 此时条件风险 于是，最小化分类错误率的贝叶斯最有分类器为 ⚫ 即对每个样本 ，选择能使后验概率 最大的类别标记