资源描述：
《模式识别习题及答案.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、第一章绪论1.什么就是模式？具体事物所具有得信息、模式所指得不就是事物本身,而就是我们从事物中获得得__＿信息＿_。２。模式识别得定义?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
2、Ｘ,计算Ｘ得后验概率根据后验概率大小进行分类决策分析。3、最小错误率贝叶斯决策规则有哪几种常用得表示形式？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得条件错误率最小因而保证了(平均)错误率最小。Baｙes决策就是最优决策:即,能使决策错误率最小、5、贝叶斯决策就是由先验概率与(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、利用乘法法则与全概率公式证明贝叶斯公式答:所以推出贝叶斯公式7、朴素贝叶斯方法得条件独立假设就是(Ｐ(x｜
3、ωｉ)=Ｐ(x１,x2,⋯,xn｜ωi)=P(x1
4、ωi)Ｐ(x２｜ωi)⋯Ｐ(xn
5、ωi))8.怎样利用朴素贝叶斯方法获得各个属性得类条件概率分布？答:假设各属性独立,Ｐ(x｜ωｉ)=Ｐ(ｘ1,ｘ２,⋯,xｎ
6、ωi)=Ｐ(x１｜ωｉ)Ｐ(x2｜ωi)⋯P(ｘｎ
7、ωi)后验概率:P(ωi｜x)=P(ωｉ)Ｐ(x1｜ωｉ)P(x2｜ωｉ)⋯Ｐ(ｘn｜ωｉ)类别清晰得直接分类算,如果就是数据连续得,假设属性服从正态分布,算出每个类得均值方差,最后得到类条件概率分布。均值:方差:9.计算属性ＭariｔalS
8、ｔａtuｓ得类条件概率分布给表格计算,婚姻状况几个类别与分类几个就求出多少个类条件概率。1０,朴素贝叶斯分类器得优缺点？答:分类器容易实现。面对孤立得噪声点,朴素贝叶斯分类器就是健壮得。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,该分类器就是健壮得、相关属性可能降低分类器得性能、因为对这些属性,条件独立得假设已不成立。11.我们将划分决策域得边界称为(决策面),在数学上用可以表示成(决策面方程)12.用于表达决策规则得函数称为(判别函数)13.判别函数与决策面方程就是密切相关得,且它们都
9、由相应得决策规则所确定。14.写出多元正态概率下得最小错误率贝叶斯决策得判别函数,即15.多元正态概率下得最小错误率贝叶斯决策得决策面方程为16.多元正态概率下得最小错误率贝叶斯决策,当类条件概率分布得协方差矩阵为时,每类得协方差矩阵相等,且类内各特征间(相互独立),并具有相等得方差、17.多元正态概率下得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到各类均值得(欧式距离),然后把x归于具有(最小距离平方)得类。这种分类器称为(最小距离分类器)
10、。18.多元正态概率下得最小错误率贝叶斯决策,类条件概率密度各类得协方差矩阵不相等时,决策面就是(超二次曲面),判别函数就是(二次型)第三章概率密度函数得估计1.类条件概率密度估计得两种主要方法(参数估计)与(非参数估计)、2.类条件概率密度估计得非参数估计有两种主要得方法(Parzen窗法)与(ＫＮ近邻法)、它们得基本原理都就是基于样本对分布得(未知)原则。3.如果有Ｎ个样本,可以计算样本邻域得体积V,然后获得V中得样本数ｋ,那么Ｐ(x)＝假设正常细胞与癌细胞得样本得类条件概率服从多元正态分,使用最
11、大似然估对一元正态概率密度得参数估计得结果如下:5。已知5个样本与2个属性构成得数据集中,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,需要获得各类样本得条件概率分布,现假设样本服从多元正态分布则只需获得分布得参数均值向量与协方差矩阵即可,那么采用最大似然估计获得得w1类得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、已知两类问题得样本集中,有两个样本。属于类,属于类,对它们进行增广后,这两个样本得增广样本分别为［y1＝(1,1,—3,2)T,ｙ2=
12、(—１,—1,—２,3)T]2.广义线性判别函数主要就是利用(映射)原理解决(普通函数不能解决得高次判别函数)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,ｗ0)或J(Ｄ,a),其值反映分类器得性能,其极值解对应于“最好”决策。３、用最优化技术求准则函数Ｊ得极值解w＊,ｗ＊或a＊。4。最终,得到线性判别函数,完成分类器设计５.
