第3章 Bayes决策理论
3.1  最小错误概率的Bayes决策 3.2　最小风险的Bayes决策 3.3　Neyman-Pearson决策3.4  最小最大决策3.5　Bayes分类器和判别函数3.6  正态分布时的Bayes决策法则3.7　离散情况的Bayes决策
在上一章，我们介绍了线性判别函数，作了一个假设——抽取到的模式样本的边界是“整齐”而不混杂的，而且 以后遇到的待分类模式基本上不超过学习样本的分布范围，从而利用这些样本得到的分类边界是无误差的。但是实际上因为试验的样本是从总体中随机抽取的，不能保证用过去的抽取的样本训练得到的分类边界对新的模式样本也能较好地分类。因此，考虑样本不确定性的模式识别方法是非常重要 的。另外，还有特征选择不完善所引起的不确定性，模式数据采集和预处理和特征抽取过程中干扰和噪声引起的不确定性。综上，我们引出统计决策的方法。
返回本章首页
对模式 识别的主要统计方法是Bayes决策理论，它是用概率论的方法研究决策问题，要求（1）各类别先验概率以及条件概率密度均为已知 ，即各类别总体的概率分布是已知的；（2） 要决策分类的类别是一定的；
返回本章 ...