文档介绍：,假定有灌木和坦克2种类型,,损失函数以下表所表示。其中,类型w1和w2分别表示灌木和坦克,判决a1=w1,a2=w2。现在做了2次试验,取得2个样本类概率密度以下:(1)试用最小错误率贝叶斯准则判决2个样本各属于哪一类?坦克、灌木。(2)试用最小风险决议规则判决2个样本各属于哪一类?灌木、灌木。答:(1)最小错误率贝叶斯准则(2)最小风险决议规则给出二维样本数据(-1,1),(2,2),(1,-1),(-2,-2),试用K-L变换作一维数据压缩。答:数据压缩结果:0,,0,已知两类数据:ω1:(1,0),(2,0),(1,1);ω2:(-1,0),(0,1),(-1,1),试求该组数据类内和类间散布矩阵。4、已知欧氏二维空间中两类9个训练样本w1:(-1,0)T,(-2,0)T,(-2,1)T,(-2,-1)Tw2:(1,1)T,(2,0)T,(1,-1)T,(2,1)T,(2,2)T,试分别用最近邻法和K近邻法求测试样本(0,0)T分类,取K=5,7。 答:最近邻法:最近邻为(-1,0)T分类为w1 K近邻法:K=5:5个近邻为1类(-1,0)T,(-2,0)T,2类(1,1)T,(2,0)T,(1,-1)T分类为w2 K=7:1)若近邻为1类(-1,0)T,(-2,0)T,(-2,1)T,(-2,-1)T,2类(1,1)T,(2,0)T,(1,-1)T,则分类为w12)若近邻为1类(-1,0)T,(-2,0)T,(-2,1)T或(-2,-1)T两个之一,2类(1,1)T,(2,0)T,(1,-1)T,(2,1)T,:W1(0,0)T,(0,2)T,W2(2,0)T,(2,2)T,试用最小平方误差准则算法进行分类器训练,求解向量W*。:模式识别是研究用计算机来实现人类模式识别能力一门学科)。模式识别:模式是部分供模拟用、完美无缺标本。,预处理,特征提取和选择,分类器设计,?系统在某个具体模式样本X条件下在某种类型概率。、,将其划分为c个决议域。决议域边界称为决议面;用于表示决议规则函数称为判别函数;判别函数决定了决议面。分类器,就是一个计算c个类别判别函数并选择和最大判别值对应类别为决议结果一个机器。,将各类中全部样本全部作为代表点,这么决议方法就是近邻法基础思想。?她是最近邻法推广,取未知样本xk个近邻,看这k个近邻中多数属于哪一类,就把x归为哪一类。,就是对样本进行分类。训练样本集给出不一样类别实例,从这些实例中找出区分不一样类样本方法,划定决议面非监督学习用途更广泛,用来分析数据内在规律,如聚类分析,主分量分析,,均值向量是最能代表聚类中全部样本一个向量,也称其为聚类中心。一个好聚类方法应能使集合中全部向量和这个均值向量误差长度平方和最小。:把全部样本各自看为一类,