读书笔记——《模式识别 Pattern Recognition》

第二章 基于贝叶斯决策理论的分类器

第二三四章介绍分类器的设计，设计分类器是将未知类型的样本分类到最可能的类别中。现在的任务是什么是最可能（most probable）。

给定一个M类（w1,w2,w3····wm）的分类任务何一个用特征向量x表示的未知样本，生成M个条件概率P（wi|x）,i=1,2,···，M。有时也称之为后验概率（posteriori probalbilities），也就是对于特征向量x，每一项都代表未知样本属于某一特定类wi的概率。
首先要完成的任务是条件概率的计算，而贝叶斯规则（bayes rule）条件概率是非常有用的。接下来主要基于可利用的实验数据（训练集样本的特征向量）来讨论估算概率密度函数（probability density function）。（PS:CSDN博客太难写啦，不知道有菜鸟也想写写博客咩~（苦笑+苦笑））

2.1 贝叶斯决策理论

最小化分类错误率

2.2 判别函数和决策面

2.3 正态分布的贝叶斯分类