§ 3.7. Обучение критерию Байеса
В § 3.2 были рассмотрены критерий Байеса и его применение для построения алгоритма распознавания. Возможность использования критерия Байеса связана с наличием условных плотностей распределения
априорных вероятностей
и платежной матрицы (1.7). Однако если воспользоваться методами обучения, то алгоритм распознавания, основанный на критерии Байеса, может быть построен и в случае, когда объем исходной априорной информации не позволяет непосредственно определить функции
Реализация процедуры обучения возможна, если даны исходная обучающая выборка (2.24) и платежная матрица (1.7).
Рассмотрим, пользуясь уже известными методами, процесс обучения критерию Байеса применительно к ситуации, когда число классов равно двум
[5]. Принадлежность объекта
классу
или классу
определяется знаком функции
представляющей собой производную от среднего риска по
и равной (3.12)
Аппроксимируем
системой линейно независимых функций:
Условие минимума ошибки аппроксимации, определяемой функционалом
имеет вид
Обозначим матрицу размера
Тогда
Подставим в (3.81) уравнение (3.76):
или
где
Предположим, что компоненты вектор-функции
ортонормированы, при этом
Пусть также
Тогда алгоритм оптимального обучения критерию Байеса, реализующий на каждом шагу оптимальное решающее правило, может быть записан следующим образом: