3概率密度函数的估计1.ppt
《3概率密度函数的估计1.ppt》由会员分享,可在线阅读,更多相关《3概率密度函数的估计1.ppt(94页珍藏版)》请在冰豆网上搜索。
模式识别与神经网络PatternRecognitionAndneuralnetwork,第三章概率密度函数的估计,请各位思考的问题,1、参数法与非参数法密度估计的最大区别是什么?
2、高斯密度假设的合理性在哪里?
TableofContents,3.1引言,基于样本的Bayes分类器:
通过估计类条件概率密度函数,设计相应的判别函数,分类器功能结构,基于样本的直接确定判别函数方法,基于样本的Bayes分类器设计,Bayes决策需要已知两种知识:
各类的先验概率P(i)各类的条件概率密度函数p(x|i),知识的来源:
对问题的一般性认识或一些训练数据基于样本的两步Bayes分类器设计利用样本集估计P(i)和p(x|i)基于上述估计值设计判别函数及分类器面临的问题:
如何利用样本集进行估计估计量的评价利用样本集估计错误率,引言,基于样本的Bayes分类器,最一般情况下适用的“最优”分类器:
错误率最小,对分类器设计在理论上有指导意义。
获取统计分布及其参数很困难,实际问题中并不一定具备获取准确统计分布的条件。
引言,直接确定判别函数,基于样本的直接确定判别函数方法:
针对各种不同的情况,使用不同的准则函数,设计出满足这些不同准则要求的分类器。
这些准则的“最优”并不一定与错误率最小相一致:
次优分类器。
实例:
正态分布最小错误率贝叶斯分类器在特殊情况下,是线性判别函数g(x)=wTx(决策面是超平面),能否基于样本直接确定w?
引言,概率密度估计的方法,类的先验概率P(i)的估计:
用训练数据中各类出现的频率来估计依靠经验,引言,类条件概率密度函数的估计:
两大类方法参数估计:
概率密度函数的形式已知,而表征函数的参数未知,需要通过训练数据来估计最大似然估计Bayes估计非参数估计:
概率密度函数的形式未知,也不作假设,利用训练数据直接对概率密度进行估计Parzen窗法kn-近邻法,3.2参数估计,统计量:
总体的某种信息是样本集K=x1,x2,xN的某种函数f(K)。
参数空间:
总体分布的未知参数所有可能取值组成的集合(),点估计和区间估计点估计的估计量(variable)和估计值(value):
估计量的评价标准,估计量的评价标准:
无偏性,有效性,一致性无偏性:
E()=有效性:
D()小,估计更有效一致性:
样本数趋于无穷时,依概率趋于:
3.2.1最大似然估计,MaximumLikelihood(ML)估计估计的参数是确定而未知的,Bayes估计方法则视为随机变量。
样本集可按类别分开,不同类别的密度函数的参数分别用各类的样本集来训练。
概率密度函数的形式已知,参数未知,为了描述概率密度函数p(x|i)与参数的依赖关系,用p(x|i,)表示。
独立地按概率密度p(x|)抽取样本集K=x1,x2,xN,用K估计未知参数,似然函数,似然函数:
对数(loglarized)似然函数:
最大似然估计,最大似然估计,最大似然估计,最大似然估计示意图,最大似然估计,计算方法,最大似然估计量使似然函数梯度为0:
最大似然估计,3.2.2贝叶斯估计-最大后验概率,用一组样本集K=x1,x2,xN估计未知参数未知参数视为随机变量,先验分布为p(),而在已知样本集K出现的条件下的后验概率为p(|K)最大后验概率估计-Maximumaposteriori(MAP),贝叶斯决策问题与贝叶斯估计问题,贝叶斯决策问题:
样本x决策ai真实状态wj状态空间A是离散空间先验概率P(wj),贝叶斯参数估计问题:
样本集K=xi估计量s真实参数s参数空间S是连续空间参数的先验分布p(s),贝叶斯估计,贝叶斯风险最小估计问题:
用一组样本集K=x1,x2,xN估计未知参数,使估计带来的风险最小。
贝叶斯(最小风险)估计,参数估计的条件风险:
给定x条件下,估计量的条件风险,参数估计的风险:
估计量的条件风险的期望,贝叶斯估计:
使风险最小的估计,贝叶斯估计,贝叶斯估计(II),贝叶斯估计,损失函数定义为误差平方:
定理3.1:
如果定义损失函数为误差平方函数,则有:
贝叶斯估计的步骤,确定的先验分布p()由样本集K=x1,x2,xN求出样本联合分布:
p(K|)计算的后验分布计算贝叶斯估计,贝叶斯估计,3.3正态分布的参数估计,最大似然估计示例贝叶斯估计示例,3.3.1一元正态分布例解,最大似然估计,一元正态分布均值的估计,最大似然估计,一元正态分布方差的估计,最大似然估计,多元正态分布参数最大似然估计,最大似然估计是一致估计均值估计是无偏的,协方差矩阵估计是有偏的。
协方差矩阵的无偏估计是:
总体均值向量和协方差矩阵,最大似然估计,3.3.2一元正态分布贝叶斯估计例解,总体分布密度为:
贝叶斯估计,均值为随机未知变量,的先验分布为:
用贝叶斯估计方法求的估计量,样本集:
K=x1,x2,xN,计算的后验分布:
一元正态分布例解(II),计算的后验分布:
贝叶斯估计,计算的贝叶斯估计:
一元正态分布例解,总体分布密度为:
均值为随机未知变量,其先验分布为:
样本集:
K=x1,x2,xN,计算的后验分布:
贝叶斯估计,3.4非参数估计,非参数估计:
密度函数的形式未知,也不作假设,利用训练数据直接对概率密度进行估计。
又称作模型无关方法。
参数估计需要事先假定一种分布函数,利用样本数据估计其参数。
又称作基于模型的方法两种主要非参数估计方法:
核函数方法直方图法Parzen窗法kN-近邻法神经网络方法:
PNN,参数PK非参数:
非参数估计的优点:
(1)在利用样本数据对总体进行估计时,不依赖于总体所属的分布总体的分布形式,尤其是当对总体的分布不是很清楚时,因而非参数模型的适用性比较广,与参数方法相比,具有较好的稳健性。
(2)由于不必假定总体分布的具体形式,所以也无需多总体分布所具有的参数进行估计和检验。
如果方法选择得当,非参数估计方法与参数估计的效果相差不多,尤其当参数估计的假设不满足时,非参数估计会比参数估计方法更为有效。
非参数估计也有其缺点:
(1)如果对总体的了解足以确定它的分布类型,非参数估计就不如参数估计那样有更强的针对性。
(2)它没有充分利用样本所携带的关于总体的信息,因而有时它的效率会低一些,或者在相同的精度下,非参数估计比参数估计需要更大的样本。
总体分布的估计直方图,1、计算最大值与最小值的差(知道这组数据的变动范围):
2、决定组距与组数(将数据分组),组数:
将数据分组,当数据在100个以内时,按数据多少常分5-12组。
组距:
指每个小组的两个端点的距离,,3、决定分点,,画频率分布直方图的步骤,4、列出频率分布表.,5、画出频率分布直方图。
抽查某地区55名12岁男生的身高(单位:
cm)的测量值如下:
128.1144.4150.3146.2140.6126.0125.6127.7154.4142.7141.2142.7137.6136.9132.3131.8147.7138.4136.6136.2141.6141.1133.1142.8136.8133.1144.5142.4140.8127.7150.7160.3138.8154.3147.9141.3143.8138.1139.7142.9144.7148.5138.3135.3134.5140.6138.4137.3149.5142.5139.3156.1152.2129.8133.2试从以上数据中,对该地区12岁男生的身高情况进行大致的推测。
例题,解:
频率分布表如下:
频率分布条形图如下:
身高,利用样本频率分布对总体分布进行相应估计,(3)当样本容量无限增大,组距无限缩小,那么频率分布直方图就会无限接近于一条光滑曲线总体密度曲线。
(2)样本容量越大,这种估计越精确。
(1)上例的样本容量为50,如果增至500,其频率分布直方图的情况会有什么变化?
假如增至5000呢?
总体密度曲线,产品尺寸,a,b,(图中阴影部分的面积,表示总体在某个区间(a,b)内的取值概率)。
用样本分布直方图去估计相应的总体分布时,一般样本容量越大,频率分布直方图就会无限接近总体密度曲线,就越精确地反映了总体的分布规律,即越精确地反映了总体在各个范围内取值概率。
总体密度曲线反映了总体在各个范围内取值的概率,精确地反映了总体的分布规律。
是研究总体分布的工具.,总体密度曲线,直方图估计法作为一种非参数估计方法,广泛被应用,直方图方法的特点是方法简单直观,但直方图在处多维数据时计算十分复杂,数据的大小范围必须事先知道,密度估计结果曲线不光滑;因此人们开始考虑用核估计方法进行密度估计。
SILVERMAN把直方图估计看成是一种一维非参数核密度估计方法,宽度选择对界的影响很大,当直方图的宽度取得很小时个体特征很明显出现多峰状态(图1a),但当宽度越来越大时个特征逐渐消失(图1c)。
因此,如果使用直方图估计密度时宽度选择必须适中,宽度过大或过小都可能掩盖主统计特征。
图1b较为合理。
直方图总结,2、核函数方法基本思想,IntuitiveDescription,Distributionofidenticalbilliardballs,Regionofinterest,Centerofmass,MeanShiftvector,Objective:
Findthedensestregion,IntuitiveDescription,Distributionofidenticalbilliardballs,Regionofinterest,Centerofmass,MeanShiftvector,Objective:
Findthedensestregion,IntuitiveDescription,Distributionofidenticalbilliardballs,Regionofinterest,Centerofmass,MeanShiftvector,Objective:
Findthedensestregion,IntuitiveDescription,Distributionofidenticalbilliardballs,Regionofinterest,Centerofmass,MeanShiftvector,Objective:
Findthedensestregion,IntuitiveDescription,Distributionofidenticalbilliardballs,Regionofinterest,Centerofmass,MeanShiftvector,Objective:
Findthedensestregion,IntuitiveDescription,Distributionofidenticalbilliardballs,Regionofinterest,Centerofmass,MeanShiftvector,Objective:
Findthedensestregion,IntuitiveDescription,Distributionofidenticalbilliardballs,Regionofinterest,Centerofmass,Objective:
Findthedensestregion,2、核函数方法基本思想,令R是包含样本点x的一个区域,其体积为V,设有n个训练样本,其中有k落在区域R中,则可对概率密度作出一个估计:
相当于用R区域内的平均性质来作为一点x估计,是一种数据的平滑。
有效性,当n固定时,V的大小对估计的效果影响很大,过大则平滑过多,不够精确;过小则可能导致在此区域内无样本点,k=0。
此方法的有效性取决于样本数量的多少,以及区域体积选择的合适。
收敛性,构造一系列包含x的区域R1,R2,,对应n=1,2,,