模式识别学习笔记——1(线性分类器)
文章目录
- 前言
- 一、决策面与判别函数
- 二、分类器——线性分类器
- 1.特点
- 2.线性判别函数
- 3.增广变换
- 4.线性分类器设计步骤
- 5.实例——垂直平分分类器与Fisher投影准则
- 总结
前言
这是大三学习模式识别的笔记第一弹,有错误欢迎指出,不胜感激
一、决策面与判别函数
什么是决策面?
在特征空间中,将不同种类样本分开的决策边界称为决策面。举个例子,在二维平面,一条直线即可成为一个决策面,它所划分的两个区域即成为两个特征子空间。
什么是判别函数?
用数学形式表示的决策面即为判别函数。上面的例子中,y=ax+b即可成为判别函数,但往往写成ax+by+c=0,ax+by+c>0是一类,ax+by+c<0是另一类。类似的可以推广。
二、分类器——线性分类器
1.特点
线性分类器:对于两类的分类问题,采用线性判别函数划分特征空间(即采用直线或平面等将两类样本在特征空间中的区域划分开),这样的分类器是线性分类器。
线性分类器特点:特征空间一分为二,适合于解决两类的分类问题,即二分类问题。
线性分类器能不能解决多分类问题呢?答案是肯定的。多分类问题可以分为多个二分类问题,至于怎样分成多个二分类问题,在机器学习中介绍了最简单的两种方式:OvO与OvR,此处不做详细介绍。
2.线性判别函数
我们往往用向量的形式表示判别函数,于是判别函数表示为
其中w为权向量,w0为阈值。
3.增广变换
对原特征向量X做增广变换(记作),权向量也做增广变换(记作y)如下所示
则判别函数表示为
増广变换的特点:
特征维数增加了一维
样本向量实际还是位于原D维子空间中
样本之间的欧氏距离保持不变
增广变换后的决策面是过原点的超平面
4.线性分类器设计步骤
1.给定类别已知的样本集——训练集
2.选择一个准则函数J,其值反应分类器优劣
3.采用最优解的方法求准则函数J的极值解,从而获得权向量和阈值权
5.实例——垂直平分分类器与Fisher投影准则
1.垂直平分分类器
垂直平分分类器设计思路:基于两类样本均值点作垂直平分线。
垂直平分分类器等价的最小距离决策规则为:
对于未知样本x,若d1(x) <d2(x) ,则x决策为ω1类 若d1(x) >d2(x) ,则x决策为ω2类。
故而垂直平分分类器又叫最小距离分类器。
步骤:
1) 先求均值向量m1和m2
2)利用垂直几何关系,设权向量
则直线方程为
3)再利用平分几何关系,中点x0在直线上
解得阈值向量
对于未知样本x,若g(x) > 0,则x决策为ω1类 若g(x) < 0,则x决策为ω2类
垂直平分分类器(最小距离分类器)的主要特点:
解决二分类问题的线性分类器
原则上对样本集无特殊要求
未采用准则函数求极值解(非最佳决策)
算法最简单,分类器设计最容易
2.Fisher准则
设计思路:通过投影对高维分类问题降维,Fisher将高维特征空间的样本投影到一维直线
Fisher投影准则的物理含义:
投影后异类样本尽量远离,投影后同类样本尽量靠近
在原特征空间中
在投影后的一维空间中
化简后为
采用Lagrange乘子法求Fisher准则函数的极值(具体做法等我啥时候学会了再说吧)
Fisher投影的特点
解决两类问题的线性投影
原则上对样本集无特殊要求(Sw矩阵可逆)
采用Fisher投影准则函数求极值解(最佳决策
分类器设计较容易
总结
简要的总结了一下线性分类器
模式识别学习笔记——1(线性分类器)相关推荐
- 模式识别学习笔记(1)——基本概念
模式识别学习笔记--绪论 一.从数据集D中产生训练集S和测试集T,主要有以下方法: --hold-out(留出法) --cross-validation(交叉验证法) --bootstrapping( ...
- cs231n笔记:线性分类器
cs231n线性分类器学习笔记,非完全翻译,根据自己的学习情况总结出的内容: 线性分类 本节介绍线性分类器,该方法可以自然延伸到神经网络和卷积神经网络中,这类方法主要有两部分组成,一个是评分函数(sc ...
- XY的模式识别学习笔记-最小平方误差准则分类 MSE
最小平方误差准则分类 MSE 最小平方误差准则分类 定义 简单例题及Matlab代码实现 大三数学狗,记录一下学习过程. 最小平方误差准则分类 定义 对线性不可分的样本集,不等式组 a T y i & ...
- 模式识别学习笔记(11)——线性判别函数
线性判别函数 1.1 用于分类的判别函数的参数形式已知,直接从样本来估计判别函数的参数. 优势:不需要有关概率密度函数的确切的参数形式.因此,属于无参数估计. 利用样本直接设计分类器 1.方法分类: ...
- 模式识别学习笔记(一)模式识别初认识
这是本人第一次写博客,把学到的东西以及自己的理解用类似于学习笔记的形式表达出来.如果有不妥的地方,希望大家指正.谢谢! 一.模式识别的定义 关于模式识别(pattern recognition)的定义 ...
- 模式识别学习笔记-lecture2-统计判别1
作为统计判别问题的模式分类 模式识别的目的就是要确定某一个给定的模式样本属于哪一类 输入:被识别对象的特征向量 输出:被识别样本的类别 贝叶斯判别原则 两类模式集的分类 目的:要确定xxx是属于ω1\ ...
- 模式识别学习笔记(3)——高斯概率密度
概率密度估计方法 参数法:只需将均值和协方差矩阵保存下来,就可知道其分布. 半参数法:GM通过解析求解:期望最大化是极大似然估计的特例,多次迭代才能求得 高斯密度函数 牢记密度函数公式!!! 把协方差 ...
- TensorFlow 深度学习笔记 从线性分类器到深度神经网络
转载请注明作者:梦里风林 Github工程地址:https://github.com/ahangchen/GDLnotes 欢迎star,有问题可以到Issue区讨论 官方教程地址 视频/字幕下载 L ...
- 模式识别学习笔记——第2章 统计学习方法-2.5 正态分布时的统计决策
要学习正态分布有关的统计决策,正态分布相关的知识肯定是必不可少的!!!对于大多数同学来说,一维的正态分布应该是没什么问题,但是一旦涉及多维的正态分布,立刻就傻眼了.书本上对正态分布和性质的回顾,只能说 ...
- 模式识别学习笔记(1)概率论基础知识
大学的时候,我的<概率论和数理统计>这门课一共挂过3次,而且我记得最后一次考过的时候刚刚及格,只有60分.你可以想象我的<概率论>这门课学的是有多差了.后来,我工作以后,在学习 ...
最新文章
- SAP 系统中STO+VC 技术实现
- Stanford cs224n 第三课: GloVe 代码解读
- ASINetworkQueues(经典2)
- tomcat temp 大量 upload 文件_原创 | 浅谈URI中的任意文件下载
- 收藏 | 程序员生涯指南,在GitHub上获3.6万星
- Jquery Validate 动态添加校验
- 只懂黑盒测试也能学会代码覆盖率分析和精准测试
- 面向对象举例(一) —— 顶点(vertex)、边(edge)与图(graph)
- 史上最全的微信小程序代码大全
- python3爬取网易云歌曲,利用python3爬取网易云周杰伦所有专辑,歌曲,评论,并完成可视-站长资讯中心...
- linux 反垃圾邮件网关,反垃圾邮件神器--开源邮件网关ScrolloutF1之二--基本配置
- 七问个税改革:工薪阶层为何感觉税负重
- Python入门习题(64)——OpenJudge百练习题:最长单词
- 你的领英账号总被封?实战总结避免和解决领英帐号被封的最强攻略
- CCleaner - The world's most popular PC cleaner!
- 2022-2028全球与中国成像色度计市场现状及未来发展趋势
- 29-lao-58案例:弹性盒子实现移动导航布局
- 服务器单独运行jar包方法
- 电磁场与电磁波(10)——电容与部分电容
- 鸿蒙系统笔记本电脑价格,鸿蒙系统笔记本电脑要来了?
热门文章
- SP刷机工具错误信息
- 富士施乐Fuji Xerox DocuPrint P158 b 驱动
- 新华象形大字典隐私用户数据声明
- 电气工程计算机网络基础知识大全,2018年注册电气工程师考试(电气与信息技术公共基础)知识点复习:计算机基础[网络体系结构与协议]...
- 当前版本与卡刷包android_安卓7.0 xposed框架卡刷包
- python开源项目之五子棋
- MP3播放(javazoom.jl.player.Player)
- 能上QQ但是打不开网页
- requests-BeautifulSoup爬取美女贴吧图片
- 网络安全工程师面试题汇总