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
Глава 2. БАЙЕСОВСКАЯ ТЕОРИЯ РЕШЕНИЙ2.1. ВВЕДЕНИЕБайесовская теория принятия решений составляет основу статистического подхода к задаче классификации образов. Этот подход основан на предположении, что задача выбора решения сформулирована в терминах теории вероятностей и известны все представляющие интерес вероятностные величины. В данной главе изложены основные положения этой теории и показано, что ее можно рассматривать просто как формализацию общепринятых приемов. В последующих главах рассматриваются задачи, возникающие в случаях, когда вероятностная структура известна не полностью. Прежде чем дать в разд. 2.2 общее строгое изложение байесовской теории решений, остановимся на конкретном примере. Вернемся к рассмотренной в гл. 1 задаче построения классификатора, различающего два вида древесины — ясень и березу. Предположим, что наблюдателю, следящему за выпуском древесины с завода, представляется настолько трудным предсказать, какого вида древесина появится следующей, что последовательность ее видов кажется ему случайной. Используя терминологию теории решений, можно сказать, что появление куска древесины того или иного вида означает, что природа пришла в одно из двух состояний — древесина оказывается либо ясенем, либо березой. Обозначим состояния природы символом Если фабрика выпускает ясеня столько же, сколько березы, то можно сказать, что следующий кусок в равной мере может оказаться или ясенем, или березой. В общем случае предположим, что существует некоторая априорная вероятность Допустим сначала, что требуется решить, какой из видов древесины появится следующим, не видя ее. Единственная информация, которой мы располагаем, это величины априорных вероятностей. Если решение необходимо принять, исходя из столь малой информации, то разумно воспользоваться следующим решающим правилом, принять решение Эта процедура может показаться странной в том смысле, что в любом случае принимается одно и то же решение, хотя и известно о возможности появления обоих видов древесины. Насколько она хороша, зависит от величины априорных вероятностей.
Рис. 2.1. Пример плотности распределения, условной по классу. Если В большинстве случаев при выборе решения не ограничиваются столь малой информацией. В нашем примере в качестве определяющего признака можно взять яркость х оттенка древесины. Разные куски древесины выглядят светлее или темнее, так что естественно выразить это различие с помощью вероятностных законов, а х рассматривать как непрерывную случайную величину, распределение которой зависит от состояния природы. Пусть Допустим, что известны как априорные вероятности
где
Правило Байеса показывает, как наличие измеренной величины х позволяет из априорной вероятности
Рис. 2.2. Апостериорные вероятности для Зависимость
Очевидно, что в каждом из случаев, когда наблюдается одно и то же значение ошибки определяется выражением
и если для каждого х вероятность
Самим видом решающего правила подчеркивается роль апостериорных вероятностей. Используя уравнение (1), можно выразить это правило через условные и априорные вероятности. Заметим, что
Чтобы пояснить существо вопроса, рассмотрим крайние случаи. Пусть для некоторого х получено, что
|
1 |
Оглавление
|