极小化极大准则(minimax)

1、问题的提出

　　有时我们必须设计在整个先验概率上都能很好工作的分类器。也就是说，先验概率可能波动较大又或者先验概率在设计分类器时是未知的，那么我们要如何设定分类器的判决边界，使得无论先验概率以何种形式出现时，都可以将贝叶斯分类器的误差控制在一定范围，而不是大幅度的误差波动。

2、判决边界是什么？

先来看下面这张图

　　横轴为特征值x，纵轴为似然比。似然比就是似然函数的比值。假设有一个两类分类问题，两个似然比分别为p(x|ω₁)和p(x|ω₂)，那么似然比就是p(x|ω₁)/p(x|ω₂)。

　　贝叶斯决策规则可以解释成如果“似然比超过某个阈值（θ），那么可判决为ω₁类”。

3、为何可以依靠似然比及阈值来做决策？

　　由【此文】我们知道了风险是什么以及风险是如何计算的。根据如下的条件风险计算公式

我们可以计算两类分类问题

R(a₁|x)=λ₁₁P(ω₁|x) + λ₁₂P(ω₂|x)

R(a₂|x)=λ₂₁P(ω₁|x) + λ₂₂P(ω₂|x)

各个式子的含义：

R(a₁|x)的意思是对特征值x采取a₁行动所可能导致的风险。

R(a₂|x)的意思是对特征值x采取a₂行动所可能导致的风险。

λ_ij的含义是将ω_i类归到ω_j类所导致的错误代价。

　　按照贝叶斯决策的意思，对特征值x要选择风险最小的一个行为来action。也就是说如果R(a₁|x)2|x)，那么将特征值x所在的样本判为ω₁类。

进一步演绎这个不等式，得

λ₁₁P(ω₁|x) + λ₁₂P(ω₂|x) < λ₂₁P(ω₁|x) + λ₂₂P(ω₂|x)

λ₁₁P(ω₁|x) - λ₂₁P(ω₁|x)  < λ₂₂P(ω₂|x) - λ₁₂P(ω₂|x)

(λ₁₁ - λ₂₁)P(ω₁|x) < (λ₂₂ - λ₁₂)P(ω₂|x)  【式 ①】

又根据贝叶斯公式

式①可以整理为

(λ₁₁ - λ₂₁)p(x|ω₁)P(ω₁) < (λ₂₂ - λ₁₂)p(x|ω₂)P(ω₂)

写成分数形式为

若将不等式的右边用θ替代，即

那么将有

这个不等式出现。

　　这个不等式的含义就是：“当似然比大于θ时，也就是R(a₁|x)2|x)时，因此判决为ω₁”，得证。

4、如何确定阈值θ ？

　　阈值θ可以说是我们分类器的判决边界，那么怎样的θ才能满足我们在1中提出的问题，即在先验概率未知的情况下设定一个判决边界，该边界可以使总的风险的最坏情况界定在一定范围之内。

　　确定阈值的方法如下：

　　在似然函数固定的情况下，可以根据

（式②）

（式③）

两个公式求出在x的取值域内，当P(ω₁)取不同值时的曲线。如下图所示：

　　如图所示，当P(ω₁)=0.5时，出现最大的贝叶斯误差。我们就将此P(ω₁)值作为制订判决边界的参数来计算阈值θ。另一个参数P(ω₂) = 1 - P(ω₁)。λ₁₁、λ₂₁、λ₂₂ 、λ₁₂均为已知。

　　P(error)的计算函数为：

function perror = getPerror(rate1,rate2)
for index=0:10
    pw1 = index/10;
    pw2 = 1-pw1;
    for x= 1:12
        perror(index + 1) = 0;
        px = rate1(x)*pw1 + rate2(x)*pw2;
        pw1x = rate1(x)*pw1/px;
        pw2x = rate2(x)*pw2/px;
        if(pw1x < pw2x)
            perror(index + 1) = perror(index + 1) + pw1x * px;
        else
            perror(index + 1) = perror(index + 1) + pw2x * px;
        end
    end
end

参数rate1为p(x|ω₁)，rate2为p(x|ω₂)。

————————————————————————————

 有朋友留言说太难懂。我在这里列一下文章的顺序，这一篇其实是贝叶斯决策的一个延伸，所以在此之前如果有贝叶斯的基础会比较容易看懂文章的内容。

基础的贝叶斯 -》
然后是它的例子-》
然后是贝叶斯决策 -》

转载于:https://www.cnblogs.com/elaron/archive/2012/11/01/2748390.html