更多井参数估计的例子 kn近邻估计 K=1 0 0.5 0.5 K=30 0.5
更多非参数估计的例子 • kn -近邻估计
更多井参数估计的例子 Circular data Estimate with mixture of 5 Gaussians c 05 200 0}+ -05 105005 Feature 2 Feature 1 Estimate with Parzen windows Estimate with 7-nearest neighbors 200 200 100 Feature Feature 1 Feature 2 Feature 1
更多非参数估计的例子
更多井参数估计的例子 Banana shaped data Estimate with mixture of 3 Gaussians 00 -5 Feature 2 Feature 1 Feature 1 Estimate with Parzen windows Estimate with 7-nearest neighbors 200 0 5 Feature 2 -5 Feature 1 Feature 2 Feature 1
更多非参数估计的例子
ch05非参数方法 Par3k-近邻规则
Ch 05. 非参数方法 Part 3 k-近邻规则
模式分类的途径 途径1:估计类条件概率密度px|o) ·通过px)和P(ω),利用贝叶斯规则计算后验概率P(o|x),然后 通过最大后验概率做出决策 ·两种方法 方法1a:概率密度参数估计 基于对p(X|)的含参数的描述 方法1b:概率密度非参数估计 基于对p(X|a)的非参数的描述 途径2:直接估计后验概率P|X) 不需要先估计p(x|o) 途径3:直接计算判别函数 ·不需要估计p(x|o)或者P(a1|x)
模式分类的途径 • 途径1：估计类条件概率密度 • 通过 和 ，利用贝叶斯规则计算后验概率 ，然后 通过最大后验概率做出决策 • 两种方法 • 方法1a：概率密度参数估计 基于对 的含参数的描述 • 方法1b：概率密度非参数估计 基于对 的非参数的描述 • 途径2：直接估计后验概率 • 不需要先估计 • 途径3：直接计算判别函数 • 不需要估计 或者