2.7. НОРМАЛЬНАЯ ПЛОТНОСТЬ

Структура байесовского классификатора определяется в основном типом условных плотностей Из множества исследованных функций плотности наибольшее внимание было уделено многомерной нормальной плотности распределения. Следует признать, что это вызвано в основном удобством ее аналитического вида. Вместе с тем многомерная нормальная плотность распределения дает подходящую модель для одного важного случая, а именно когда значения векторов признаков х для данного класса представляются непрерывнозначными, слегка искаженными версиями единственного типичного вектора, или вектора-прототипа, . Именно этого ожидают, когда классификатор выбирается так, чтобы выделять те признаки, которые, будучи различными для образов, принадлежащих различным классам, были бы, возможно, более схожи для образов из одного и того же класса. В данном разделе приводится краткое описание свойств многомерной нормальной плотности распределения, причем особое внимание уделяется тем из них, которые представляют наибольший интерес для задач классификации.

2.7.1. ОДНОМЕРНАЯ НОРМАЛЬНАЯ ПЛОТНОСТЬ

Рассмотрим сначала одномерную нормальную функцию плотности

для которой

и

Одномерная нормальная плотность распределения полностью определяется двумя параметрами — средним значением и дисперсией Для простоты уравнение (20) часто записывается в виде , что означает, что величина х распределена нормально со средним значением и дисперсией Значения нормально распределенной величины группируются около ее среднего значения с разбросом, пропорциональным стандартному отклонению а; при испытаниях примерно 95% значений нормально распределенной величины будет попадать в интервал

2.7.2. МНОГОМЕРНАЯ НОРМАЛЬНАЯ ПЛОТНОСТЬ

Многомерная нормальная плотность распределения в общем виде представляется выражением

где х есть -компонентный вектор-столбец, есть -компонентный вектор среднего значения, — ковариационная матрица размера транспонированный вектор матрица, обратная , а — детерминант матрицы . Для простоты выражение (23) часто записывается сокращенно в виде Формально можно написать

и

где ожидаемое значение вектора или матрицы находится поэлементным вычислением математических ожиданий компонент. Выражаясь конкретнее, если есть компонента есть компонента есть компонента , то получаем

и

Ковариационная матрица всегда симметрична и положительно полуопределена. Ограничимся рассмотрением случаев, когда положительно определена, так что ее детерминант строго положителен . Диагональный элемент есть дисперсия а недиагональный элемент есть ковариация Если статистически независимы, то Если все недиагональные элементы равны нулю, то сводится к произведению одномерных нормальных плотностей компонент вектора х.

Нетрудно показать, что любая линейная комбинация нормально распределенных случайных величин также распределена нормально. В частности, если А есть матрица размера есть -компонентный вектор, то . В частном случае, если А есть вектор единичной длины а, то величина является скаляром, представляющим проекцию вектора х на направление а. Таким образом, есть дисперсия проекции х на а. Вообще знание ковариационной матрицы дает возможность вычислить дисперсию вдоль любого направления.

Многомерная нормальная плотность распределения полностью определяется параметрами — элементами вектора среднего значения и независимыми элементами ковариационной матрицы . Выборки нормально распределенной случайной величины имеют тенденцию попадать в одну область или кластер (рис. 2.7). Центр кластера определяется вектором среднего значения, а форма — ковариационной матрицей. Из соотношения (23) следует, что точки постоянной плотности образуют гиперэллипсоиды, для которых квадратичная форма постоянна. Главные оси этих гиперэллипсоидов задаются собственными векторами , причем длины осей определяются собственными значениями. Величину

иногда называют квадратичным махаланобисовым расстоянием от х до . Линии постоянной плотности, таким образом, представляют собой гиперэллипсоиды постоянного махаланобисова расстояния до Объем этих гиперэллипсоидов служит мерой разброса выборок относительно среднего значения. Можно показать, что объем гиперэллипсоида, соответствующего махаланобисову расстоянию , равен

(см. скан)

Рис. 2.7. Представление нормальной плотности а — в виде функции двух переменных, б — на диаграмме разброса.

где есть объем -мерной единичной гиперсферы, равный

Таким образом, при заданной размерности разброс выборок изменяется пропорционально величине