资源描述：
《模式识别习的题目及问题详解》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、实用标准文案第一章绪论1.什么是模式？具体事物所具有的信息。模式所指的不是事物本身，而是我们从事物中获得的___信息__。2.模式识别的定义？让计算机来判断事物。3.模式识别系统主要由哪些部分组成？数据获取—预处理—特征提取与选择—分类器设计/分类决策。第二章贝叶斯决策理论1.最小错误率贝叶斯决策过程？答：已知先验概率，类条件概率。利用贝叶斯公式得到后验概率。根据后验概率大小进行决策分析。2.最小错误率贝叶斯分类器设计过程？答：根据训练数据求出先验概率类条件概率分布利用贝叶斯公式得到后验概率如果输入待测样本X，计算X的后验概率根据后验概率大小进行分类决策分析
2、。3.最小错误率贝叶斯决策规则有哪几种常用的表示形式？答：4.贝叶斯决策为什么称为最小错误率贝叶斯决策？答：最小错误率Bayes决策使得每个观测值下的条件错误率最小因而保证了（平均）错误率最小。Bayes决策是最优决策：即，能使决策错误率最小。5.贝叶斯决策是由先验概率和（类条件概率）概率，推导（后验概率）概率，然后利用这个概率进行决策。6.利用乘法法则和全概率公式证明贝叶斯公式答：所以推出贝叶斯公式7.朴素贝叶斯方法的条件独立假设是（P(x
3、ωi)=P(x1,x2,…,xn
4、ωi)=P(x1
5、ωi)P(x2
6、ωi)…P(xn
7、ωi)）精彩文档实用标准文案8
8、.怎样利用朴素贝叶斯方法获得各个属性的类条件概率分布？答：假设各属性独立，P(x
9、ωi)=P(x1,x2,…,xn
10、ωi)=P(x1
11、ωi)P(x2
12、ωi)…P(xn
13、ωi)后验概率：P(ωi
14、x)=P(ωi)P(x1
15、ωi)P(x2
16、ωi)…P(xn
17、ωi)类别清晰的直接分类算，如果是数据连续的，假设属性服从正态分布，算出每个类的均值方差，最后得到类条件概率分布。均值：方差：9.计算属性MaritalStatus的类条件概率分布给表格计算，婚姻状况几个类别和分类几个就求出多少个类条件概率。10，朴素贝叶斯分类器的优缺点？答：分类器容易实现。面对孤立的噪声点
18、，朴素贝叶斯分类器是健壮的。因为在从数据中估计条件概率时。这些点被平均。面对无关属性，该分类器是健壮的。相关属性可能降低分类器的性能。因为对这些属性，条件独立的假设已不成立。11.我们将划分决策域的边界称为(决策面)，在数学上用可以表示成(决策面方程)12.用于表达决策规则的函数称为(判别函数)13.判别函数与决策面方程是密切相关的，且它们都由相应的决策规则所确定.14.写出多元正态概率下的最小错误率贝叶斯决策的判别函数，即15.多元正态概率下的最小错误率贝叶斯决策的决策面方程为16.多元正态概率下的最小错误率贝叶斯决策，当类条件概率分布的协方差矩阵为时，每
19、类的协方差矩阵相等，且类内各特征间（相互独立），并具有相等的方差。17.多元正态概率下的最小错误率贝叶斯决策，如果先验概率相等，并且i=1,2,...c，那么分类问题转化为只要计算待测样本x到各类均值的(欧式距离)，然后把x归于具有（最小距离平方）的类。这种分类器称为（最小距离分类器）。18.19.多元正态概率下的最小错误率贝叶斯决策，类条件概率密度各类的协方差矩阵不相等时，决策面是（超二次曲面），判别函数是（二次型）精彩文档实用标准文案第三章概率密度函数的估计1.类条件概率密度估计的两种主要方法（参数估计）和（非参数估计）。精彩文档实用标准文案1.类条件概
20、率密度估计的非参数估计有两种主要的方法（Parzen窗法）和（KN近邻法）。它们的基本原理都是基于样本对分布的（未知）原则。2.如果有N个样本，可以计算样本邻域的体积V，然后获得V中的样本数k，那么P(x)=3.假设正常细胞和癌细胞的样本的类条件概率服从多元正态分布，使用最大似然估计方法，对概率密度的参数估计的结果为。证明：使用最大似然估计方法，对一元正态概率密度的参数估计的结果如下：5.已知5个样本和2个属性构成的数据集中，w1类有3个样本，w2类有两个样本。如果使用贝叶斯方法设计分类器，需要获得各类样本的条件概率分布，现假设样本服从多元正态分布则只需获得
21、分布的参数均值向量和协方差矩阵即可，那么采用最大似然估计获得的w1类的类条件概率密度均值向量为（转置）,以及协方差矩阵为（）。第四章线性判别函数1.已知两类问题的样本集中，有两个样本。属于类，属于类，对它们进行增广后，这两个样本的增广样本分别为[y1=(1,1,-3,2)T,y2=(-1,-1,-2,3)T]2.广义线性判别函数主要是利用(映射)原理解决（普通函数不能解决的高次判别函数）问题，利用广义线性判别函数设计分类器可能导致（维数灾难）。3.线性分类器设计步骤？主要步骤：1.收集训练数据集D={x1,x2,…,xN}2.按需要确定一个准则函数J(D,w
22、,w0)或J(D,a)，其值反映分类器的性能，其极值
