正态分布下贝叶斯决策的特例(三)
正态分布下贝叶斯决策的特例(三)
前导知识:【正态分布下贝叶斯决策】
本文讨论各类协方差矩阵都不相等的情形:
这是多元正态分布的一般情况,即:
Σi≠Σj,i,j=1,2,...,c(1)\Sigma_i \not = \Sigma_j,i,j=1,2,...,c \tag 1 Σi=Σj,i,j=1,2,...,c(1)
一般式
:
gi(x)=−12σ2(x−μi)TΣi−1(x−μi)+lnP(wi)+−d2ln2π−12lnσ2dg_i(x)=-\frac{1}{2\sigma^2}(x-\mu_i)^T\Sigma_i^{-1}(x-\mu_i)+\ln P(w_i) + -\frac{d}{2}\ln 2\pi-\frac{1}{2} \ln\sigma^{2d} gi(x)=−2σ21(x−μi)TΣi−1(x−μi)+lnP(wi)+−2dln2π−21lnσ2d
上式中只有第三项d2ln2π\frac{d}{2} \ln 2\pi2dln2π与iii无关,简化后得:
gi(x)=−12xTΣi−1x+12xTΣi−1μi+12μiTΣi−1x+lnP(wi)−12μiTΣi−1μi−12ln∣Σi∣(2)g_i(x)=-\frac{1}{2} x^T \Sigma_i^{-1} x+\frac{1}{2} x^T \Sigma_i^{-1} \mu_i + \frac{1}{2} \mu_i^T \Sigma_i^{-1} x + \ln P(w_i) - \frac{1}{2} \mu_i^T \Sigma_i^{-1} \mu_i -\frac{1}{2} \ln |\Sigma_i| \tag 2 gi(x)=−21xTΣi−1x+21xTΣi−1μi+21μiTΣi−1x+lnP(wi)−21μiTΣi−1μi−21ln∣Σi∣(2)
这时判别函数(3)(3)(3)将gi(x)g_i(x)gi(x)表示为xxx的二次型。若决策域R1R_1R1和R2R_2R2毗邻,则决策域满足:
gi(x)−gj(x)=0g_i(x)-g_j(x)=0 gi(x)−gj(x)=0
图示
:
在此背景下的决策面为超二次曲面。
正态分布下贝叶斯决策的特例(三)相关推荐
- 【ML学习笔记】17:多元正态分布下极大似然估计最小错误率贝叶斯决策
简述多元正态分布下的最小错误率贝叶斯 如果特征的值向量服从d元正态分布,即其概率密度函数为: 即其分布可以由均值向量和对称的协方差矩阵 唯一确定. 如果认为样本的特征向量在类内服从多元正态分布: 即对 ...
- 从上到下打印二叉树的三种题型
从上到下打印二叉树(一) 也就是我们所熟知的层序遍历 思路分析: 1.首先它需要返回的是一个数组,那么我们首先要做的就是new一个数组,而数组的大小需要我们遍历这棵二叉树计算出来 2. 当我们申请完数 ...
- 总结windows下堆溢出的三种利用方式
创建时间:2004-04-08 文章属性:转载 文章提交:watercloud (watercloud_at_xfocus.org) 原文由Leven发在网络编程版: https://www.xfoc ...
- 正态分布下含绝对值的期望求解 -- 待验证
正态分布下含绝对值的期望求解 首先用伽马函数来证明一个小结论. 设 X ∼ N ( 0 , 1 ) , 求 E ∣ X ∣ X\sim N(0,1),求E|X| X∼
- commons-math3-3.6.1-org.apache.commons.math3.analysis.function-包下的类(三)-中英对照文档及源码赏析
commons-math3-3.6.1-org.apache.commons.math3.analysis.function-包下的类(三)-中英对照文档及源码赏析 摘要:中英对照文档.源码赏析.or ...
- python 服从正态分布下概率密度函数
python 服从正态分布下概率密度函数 服从正太分布下,概率密度函数公式 公式解释: f(x): 是某样本(样本以数值形式表现)为某数值时发生的概率 0<f(x)<1 x: 是随机抽样的 ...
- python实现非标准正态分布下概率密度有关计算
总目录:Python数据分析整理 之后马上要学习朴素贝叶斯算法了,为之后的学习做好铺垫,重新用python实现了一下数据正态性的检验.根据数据的均值方差,求出小于某个值的概率,或者根据概率求出这个值是 ...
- 先帝爷下南阳御驾三请,联东吴灭曹魏鼎足三分~~~
我本是卧龙岗散淡的人~~~~ 凭阴阳如反掌保定乾坤~~~ 先帝爷下南阳御驾三请~~~~ 算就了汉家的业鼎足三分~~~ 官封到武乡侯执掌帅印~~~~ 东西战南北剿博古通今~~ 太阳啊,喊了这么半天,咋还 ...
- 此文记录了我从研二下学期到研三上学期的找工历程,包括百度、腾讯、网易、移动、电信、华为、中兴、IBM八家企业的面试总结和心得--转...
感谢电子通讯工程的研究生学长为大家整理了这么全面的求职总结,希望进入通信公司和互联网公司做非技术类岗位的学弟学妹们千万不要错过哦~ ---------------------------原文分割线-- ...
- 正态分布下的最大似然估计
正态分布下的最大似然估计 前导知识:[最大似然参数估计的求解] 本文仅以单变量正态分布情况下估计其均值和方差为例来说明最大似然估计的用法. 单变量正态分布的形式为: ρ(x∣θ)=12πσe−12(x ...
最新文章
- Express结合Webpack的全栈自动刷新
- springboot2 war页面放在那_成为微服务架构师--SpringBoot2学习笔记
- 多DHCP服务器的作用域 及备用DHCP服务器(一)
- Java如何避免重量级锁,Java 中锁是如何一步步膨胀的(偏向锁、轻量级锁、重量级锁)...
- java 内省学习笔记
- 基于阈值的损失函数_推荐 :常见损失函数和评价指标总结(附公式amp;代码)...
- linux创建网络连接,使用nmcli创建网络连接
- 在report service中@参数的问题!
- 为什么我在CSDN坚持写了3年多的博客?
- 马蜂窝视频编辑框架设计及在 iOS 端的业务实践
- 浅谈通过抢注域名获取好域名的小技巧
- 微信小程序扫码功能的使用
- 调用百度AI开放平台实现图片文字识别
- 用C++实现矩阵计算器
- Java游戏编程不完全详解-1
- 达梦数据库迁移数据报错 字符串截断
- 关于图片裁剪怎么弄,这里分享几款软件
- Linux中的sda, sdb, sdc, sda1, sda2含义
- 2840页的计算机毕业论文!德州奥斯汀华人博士究竟写了啥?
- java g1 详解_JAVA垃圾收集算法总结以及CMS、G1算法详解
热门文章
- 易门一中2021年高考成绩查询,附属易门中学2021届高二年级教师参加“中国高考评价体系下的2021年一轮备考策略”直播会...
- 【转】VirtualDOM与diff(Vue实现).MarkDown
- 让Windows Server 2008+IIS 7+ASP.NET支持10万个同时请求
- 利用ffmpeg一步一步编程实现摄像头采集编码推流直播系统
- Linux 小知识翻译 - 目录 (完结)
- 使用VisualSVN Server搭建SVN版本控制服务器
- 操作系统安装教程之图解Ubuntu Server 14.04安装
- liux环境下配置jdk
- 在ASP.NET 2.0中实现URL重写
- 温故知新----css基础