Пред.
След.
Макеты страниц
Распознанный текст, спецсимволы и формулы могут содержать ошибки, поэтому с корректным вариантом рекомендуем ознакомиться на отсканированных изображениях учебника выше Также, советуем воспользоваться поиском по сайту, мы уверены, что вы сможете найти больше информации по нужной Вам тематике ДЛЯ СТУДЕНТОВ И ШКОЛЬНИКОВ ЕСТЬ
ZADANIA.TO
3.2. Оценивание отношения правдоподобия3.2.1. Параметрическое и полупараметрическое оценивание неизвестных плотностей.В том случае, когда на основании априорной информации или предварительного анализа данных можно предположить аналитический вид плотностей распределений в классах, надо использовать обычные подстановочные алгоритмы, следя при этом за тем, чтобы там, где неизвестные параметры в распределениях предполагаются равными, подставлялись одни и те же оценки (см. § 2.3). Ниже разбирается случай полупараметрического оценивания. Предположим, что имеются два класса с законами распределения Оценивание
где Выберем теперь число
и построим последовательность Положим теперь
В качестве оценок
где для Если дополнительно предположить, что
Если дополнительно предположить еще, что
где В этом случае
3.2.2. Непараметрическое оценивание плотностей.В случае, когда сделать предположение об аналитическом виде
где
получившая название оценки Парзена. Часто для упрощения проводится предварительная покоординатная нормализация переменных, чтобы они имели одну и ту же меру разброса, и b выбираются равными [132]. Для оценок (3.10) и (3.11) ключевым является выбор параметров Его естественно связать с какой-либо мерой качества классификации (см. п. 1.3.4) аналогично тому, как для задачи регрессии это сделано в [12, § 10.1]. На практике оценки Парзена работают хорошо. Их существенные недостатки: необходимость запоминания всей обучающей последовательности и высокая чувствительность метода к непредставительности обучающей выборки. В [198] для распределений, несколько похожих на многомерные нормальные, рекомендуется следующая эвристическая приближенная процедура, основанная на рангах. Для каждой из координат 3.2.3. Прямое оценивание отношения правдоподобия.Часто аналитический вид плотностей
где
Условная вероятность гипотезы Ну, когда дано наблюдение X, легко выражается через h (X):
В частном случае, когда
где Предполагая, что имеет место (3.15), можно воспользоваться соотношением (3.14) для того, чтобы найти неизвестные параметры
где При условии, что имеет место модель Фишера, метод условного максимального правдоподобия использует не всю информацию, содержащуюся в обучающей выборке. Однако, как показывает теоретическое исследование В случае, если на обучающей выборке совокупности могут быть отделены друг от друга некоторой плоскостью, максимальное значение 3.2.4. Непараметрическое оценивание отношения правдоподобия.Наиболее известен здесь метод 1) в пространстве наблюдений вводится расстояние между произвольными точками 2) в зависимости от объема обучающей выборки 3) вокруг классифицируемой точки Z строится сфера 4) точка Z относится к той совокупности, к которой принадлежит большинство точек из обучающей выборки, попавших в Конечно вместо сфер можно было бы брать области более общего вида. Например, фиксировать какую-либо окрестность нуля U ограниченного диаметра и рассматривать системы окрестностей вида Некоторые теоретические вопросы, связанные с изложенным методом, обсуждаются в [108]. 3.2.5. Локальная линейная аппроксимация отношения правдоподобия.В [12, п. 10.1.4 и § 10.2] видим, что в регрессионных задачах эффективным оказывается использование локальных параметрических описаний регрессии. По сравнению с традиционным непараметрическим подходом оно в меньшей степени зависит от особенностей обучающих выборок и позволяет получить более полное описание регрессионной поверхности. Аналогично и в задаче классификации. Пусть
Оценка параметров этой модели на
|
1 |
Оглавление
|