线性分类器PPT文档格式.ppt

线性分类器PPT文档格式.ppt

《线性分类器PPT文档格式.ppt》由会员分享，可在线阅读，更多相关《线性分类器PPT文档格式.ppt（67页珍藏版）》请在冰豆网上搜索。

,虽然采用线性判别函数导致的错误率或风险可能比贝叶斯分类器大，但是，线性函数是最简单的函数，计算量小，容易实现。

因此，线性判别函数是统计模式识别的基本方法之一。

3.1线性判别函数,基本概念几何意义3.线性分类器设计的主要步骤4.多类线性决策问题5.广义线性判别函数,1.基本概念,设模式x是d维的，x=（x1,x2,xd）T,类别数m=2设线性判别函数的一般形式为,g（x）=wTx+w0,权向量w=（w1,w2,wd）T,阈值wo,决策规则,g（x）0,x1,g（x）0,x2,决策面（超平面）H,g（x）=0,它将1类与2类的样本分开,决策面H的方向（法向量）w,一般来说,决策面将特征空间分成两个半空间,分别对应于1类与2类的决策域R1,R2,由于当x1时,g（x）0所以决策面的方向指向R1,决策面H的正侧R1所在的侧,决策面H的负侧R2所在的侧,总之,决策面的方向由w确定,位置由阈值w0确定.,2.几何意义,xp,设模式x在决策面H上的投影点及对应向量均用xp表示,x=xp+xw,r（x）为x到H的有向距离,xp满足g（xp）=0,所以g（x）=wTx+wo=r（x）|w|,其中:

线性判别函数可看作是模式x到决策面H的距离的函数,总之，利用线性判别函数进行决策，就是用一个超平面把特征空间分割成两个决策区域。

判别函数g（x）正比于x点到超平面的有向距离,若w00，则原点在H的正侧若w00，则原点在H的负侧若w0=0，说明超平面H通过原点此时g（x）具有齐次形式wTx，,若x为原点，则g（0）=w0，从而得到从原点到超平面H的有向距离r（0）=w0/|w|。

3.线性分类器设计的主要步骤,所谓设计线性分类器,就是利用训练样本集建立线性判别函数,即要估计其中的未知参数w和wo,实际上就是寻找最好参数的过程.最好的参数往往是准则函数的极值点.这样,设计线性分类器的问题就转化为利用训练样本集寻找准则函数的极值点w和wo的问题.,主要步骤,获取训练样本集,即一组具有类别标志的样本集.X=x1,x2,xnX可看作确定性样本集,也可看作随机样本集,确定一个准则函数J（X,w,wo）J的值反映分类器的性能,它的极值解则对应于最好的决策,用最优化方法求出准则函数的极值解w*,和wo*,对未知样本x,只要计算g（x）,然后根据决策规则判定x所属类别,流程图,训练样本集,参数估计,准则函数,线性分类器,4.多类决策问题,假设已知一组容量为n的样本集，如果有一个线性分类器能把每个样本正确分类，则称这组样本集为线性可分的；

否则称为线性不可分的。

反过来，如果样本集是线性可分的，则必然存在一个线性分类器能把每个样本正确分类,线性可分性,假设样本集是线性可分的,在多类情况下，比如m类,往往需要定义多个线性判别函数，通常有三种方案。

判别规则为:

若gi（x）0,则判x属x于i类,采用这种方案，模式空间中可能存在不确定区域，如图中的斜线区域。

不确定区域中的模式无法确定其类别。

方案一:

线性判别函数将属于i类的模式与其余不属于i类的模式分开，m类问题要有m个判别函数gi，il，2，,m.,方案二:

线性判别函数将属于i类的模式与将属于j类的模式的模式分开，m类问题要有n=m（m-1）/2个判别函数gij，i,jl，2，,.m,采用这种方案，模式空间中同样可能存在不确定区域，如图中的斜线区域。

若gij（x）0,jijl，2，,.m则判x属x于i类,方案三m类问题定义m个判别函数gi，il，2，,m.,采用这种方案，模式空间中不存在不确定区域.处理多类问题时通常采用这种方案,判别规则为:

若gi（x）gj（x）,ji,jl，2，,.m则判x属于i类,决策面Hij方程为gi（x）=gj（x）ji,i,jl，2，,.m,Max,（x）,多类问题线性分类器,训练样本集,线性函数参数估计,准则函数,分类规则,5.广义线性判别函数,设有一维样本空间S，我们希望的决策为,这说明线性判别函数虽然简单，但局限性较大，不适用于非凸区域和多连通区域的划分问题。

如果xb，则x属于2类；

如果axb，则x属于1类。

显然没有任何一个线性判别函数能解决这个问题,线性判别函数的局限性,非线性判别函数的线性化,上图中，如果建立一个二次判别函数g（x）=（xa）（xb）则可以解决上述分类问题,二次判别函数可写成如下一般形式：

g（x）=c0+c1x+c2x2,如果适当选择xy的映射，则可以把二次判别函数化为y的线性函数：

其中,g（x）=aTy称为x的广义线性判别函数a叫做广义权向量,广义线性判别函数,线性判别函数的齐次简化,若把线性判别函数写成,其中：

上式称为线性判别函数的齐次简化y=（1,x）T叫做增广样本向量a叫做增广权向量它们是d+1维向量,不难看出，y与x相比，虽然增加了一维，但保持了样本空间的欧氏距离不变，变换后的样本向量仍然全部位于d维子空间y1=1中，即原x空间中,它对d维子空间的划分与原决策面wTx+0=0对原空间的划分完全相同。

可得y空间中任意一点y到H的距离为：

一般来说，对于任意高次判别函数g（x）都可以变换为广义线性判别函数来处理，但是经过变换后维数大大增加了，这将导致计算量大大增加,维数灾难!

小结:

线性判别函数,基本概念几何意义线性分类器设计的主要步骤多类线性决策问题广义线性判别函数,3.2最小距离准则,最小欧氏距离准则最小马氏距离准则,1.最小欧氏距离准则,d维空间中两个向量之间的欧氏距离,设x=（x1,x2,xd）T,y=（y1,y2,yd）T,则x,y之间的欧氏距离D为D2=（xy）T（xy）,同类模式在模式空间中应相互靠近,根据这一特点,我们可利用距离最小准则来设计分类器,设有m类已知类别的模式（样本）集。

计算i类中所有样本的均值i,记样本x到i类的距离为Di（x）=（xi）T（xi）,i=1,2,m,按最小距离分类原理，决策规则为,若Di（x）Dj（x）,ji,jl，2，,.m则判x属于i类,如图,各类的中心用黑点表示表示待判样本,Di（x）=（xi）T（xi）,=xTx2iTxiTi,记gi（x）=2iTxiTi显然,gi（x）为线性函数,决策规则为若gi（x）gj（x）,ji,i,jl，2，,.m则判x属于i类,最小欧氏距离分类器构造简便，使用方便,但是分类效果常常不理想。

分类效果不好的原因在于判别函数的权向量及阈值仅仅利用了各类样本的均值信息，而没有充分利用样本的其它信息。

从以上分析可知,最小欧氏距离分类器的判别函数可用线性函数代替,gi（x）=2iTxiT=wTx+wo,其中w=2iT,w0=iTi,所以最小距离分类器实质上是线性分类器,2.最小马氏距离准则,设有m类已知类别的模式（样本）集。

i类中所有样本的均值i，样本协方差矩阵为Ci,样本x到i类的马氏距离为Di（x）=（xi）TCi1（xi）,i=1,2,m,按最小距离分类原理，决策规则为,若Di（x）Dj（x）,则判x属于i类ji,jl，2，,.m,当各类的协方差矩阵相等时记为C1=C2=Cm=C,Di（x）=（xi）TC1（xi）,=xTC1x2iTC1xiTi,记gi（x）=2iTC1xiT,显然,gi（x）为线性函数,决策规则为若gi（x）gj（x）,ji,i,jl，2，,.m则判x属于i类,忽略i与无关的项,注：

当C=I时，马氏距离与欧氏距离相等,3.3Fisher准则,1.Fisher判别法要解决的问题2.必要的基本参量3.Fisher准则函数,1.Fisher判别法要解决的问题,应用统计方法解决模式识别问题时，在低维空间里行得通的方法，在高维情况里往往行不通。

因此，降低维数有时就成为处理实际问题的关键。

我们可以考虑把d维空间的样本投影到一条直线上，形成一维空间，即把维数压缩到一维。

这条直线满足:

不同类别的样本点在此直线上的投影点尽可能地分开.,问题是如何根据实际情况找到这条最好的、最易于分类的投影线。

这就是Fisher法所要解决的基本问题。

所谓寻找最好投影直线，在数学上就是寻找最好的直线的方向向量w*的问题。

2.必要的基本参量,

（1）各类样本均值向量：

（2）样本类内离散度矩阵Si和总类内离散度矩阵S:

（3）样本类间离散度矩阵Sb:

设有N个d维样本，x1,xN，其中N1个属于1类的样本记,为子集X1，N2个属于2类的样本,记为X2,

（1）各类样本均值向量：

将X1和X2投影到一维y空间，得到子集Y1和Y2,

（2）样本类内离散度和总类内离散度:

我们希望投影后，在一维Y空间里各类样本尽可能分得开些，即希望两类均值差越大越好；

同时希望各类样本内部尽量密集，即希望类内离散度越小越好。

故，定义Fisher准则函数为：

3.Fisher准则函数,显然应该寻找JF（w）的分子尽可能大，而分母尽可能小，也就是使JF（w）尽可能大的w作为投影方向。

分子与w的关系：

w,必须将JF（w）变成w的显函数，以便求得w*,T,分母与w的关系：

最后可得显式为：

注：

此式与w的长度无关,JF（w）是广义Rayleigh商,可以用Lagrange乘子法求解。

求使JF（w）取极大值时的w*,即分母等于非零常数。

定义Lagrange函数为：

令偏导数为零，得：

式中为Lagrange乘子。

对w求偏导数，得：

由于JF（w）与w的长度无关，可令,其中w*就是JF（w）的极值解。

因为S非奇异，可得：

而：

式中R=（1-2）Tw*为一标量，所以Sbw*总是在向量（1-2）的方向上。

由于我们的目标是寻找最好的投影方向，w*的比例因子对此无影响，因此，可得：

忽略比例因子R/，得：

上式中的w*就是d维X空间到一维y空间的最好投影方向。

有了w*，就可以把d维样本xn投影到一维，这实际上是多维空间到一维空间的一种映射。

以上做的全部工作是将d维空间的样本集映射成一维样本集，这个一维空间方向w*是相对于Fisher准则JF（w）为最好