7,129
个编辑
更改
跳到导航
跳到搜索
创建页面，内容为“== 贝叶斯决策理论 == 由乘法公式引出 P(AB) = P(B|A) P(A) P(B|A) = P(AB) / P(A) P(B|A) = P(A|B) P(B) / P(A) 对于指定对象从属于某一…”
== 贝叶斯决策理论 ==
由[[乘法公式]]引出
P(AB) = P(B|A) P(A)
P(B|A) = P(AB) / P(A)
P(B|A) = P(A|B) P(B) / P(A)
对于指定对象从属于某一类别的问题从概率的角度可以理解为求P(B|A)，意思是给定A的条件，求B发生的概率。那么对于多个类别集<math>W=\{w_1,w_2,...,w_n\}</math>和指定的随机变量<math>x</math>，则有:
<math>W = \underset{w_i}{\operatorname{argmax}} P(w_i|x)</math>
求<math>x</math>出现在每一个<math>w_i</math>的概率。带入贝叶斯公式：
<math>
P(w_i|x)=\frac{p(x|w_i)P(w_i)}{p(x)}
</math>
其中：
<math>P(w_i|x)</math> [[后验概率]]，即所求结果。
<math>P(w_i)</math> [[先验概率]]，可以通过训练样本直接求出。
<math>p(x|w_i)</math> [[随机变量]]<math>x</math>的[[条件概率密度函数]]。
<math>p(x)</math> [[随机变量]]<math>x</math>的[[概率密度函数]]，可通过[[全概率公式]]求出，但对于在给定的<math>x</math>，不影响比较<math>P(w_i|x)</math>的结果,可以忽略不求。
从上式看出[[后验概率]]<math>P(w_i|x)</math>的求解取决于对x的[[条件概率密度函数]]<math>p(x|w_i)</math>的估计。
== 朴素贝叶斯 ==
因为x的[[条件概率密度函数]]<math>p(x|w_i)</math>并不容易求得，也因如果在特定场合里，给定的样本集合是[[离散形式]]的数据，这样我们将求x的[[条件概率密度函数]]<math>p(x|w_i)</math>变为求解条件概率<math>P(x|w_i)</math>。
但求解有高维特征向量x的[[条件概率]]仍然很复杂。例如: n维向量的条件概率<math>P(x_1,x_2,...,x_n|w_i)</math>
<math>P(x_1,x_2,...,x_n|w_i)</math>
<math>=P(x_1\vert w_i) \ P(x_2,\dots,x_n\vert w_i, x_1)</math>
<math>=P(x_1\vert w_i) \ P(x_2\vert w_i, x_1) \ P(x_3,\dots,x_n\vert w_i, x_1, x_2)</math>
<math>=P(x_1\vert w_i) \ P(x_2\vert w_i, x_1) \ P(x_3\vert w_i, x_1, x_2) \ P(x_4,\dots,x_n\vert w_i, x_1, x_2, x_3)</math>
<math>=P(x_1\vert w_i) \ P(x_2\vert w_i, x_1) \ P(x_3\vert w_i, x_1, x_2) \ ,\dots, P(x_n\vert w_i, x_1, x_2, x_3,\dots,x_{n-1}).</math>
这样求解方法将随着n的增长使计算量直线上升，带来[[维数灾难]]的问题。
如果假设每个特征[[相互独立]]，那么将条件概率P(x|w_j)等于每个特征在类w_j下的条件概率P(x_i|w_j)的连乘
<math>P(x|w_i) = \prod_{j=1}^n P(x_j|w_i)</math>
因为[[事件独立性]]的前提假设，这样的数据环境其实服从[[伯努利分布]]，在通常情况下每个特征取值为二值，即<math>x_j \in \{0,1\}</math>，即特征在一个样例中出现或者不出现。
最终朴素贝叶斯模型如下：
<math>P(w_i|x) \varpropto P(w_i) \prod_{j=1}^n P(x_j|w_i)</math>
<math>W = \underset{w_i}{\operatorname{argmax}} \ P(W=w_i) \displaystyle\prod_{j=1}^n P(X_j=x_j\vert W=w_i)</math>
我们以上是依据[[事件独立性]]的假设来推出朴素贝叶斯模型，但也可以从高斯分布下的贝叶斯决策准则出发，通过[[最大后验概率估计]](MAP)推导求出（下面再谈）。
朴素贝叶斯模型是[[生成模型]]，通过学习联合概率<math>P(x_j,w_i)</math>来求出分类结果。它因长相朴实，实现简单所以被广大群众喜闻乐见，但因[[独立性假设]]的前置条件，使得它在特征相互依赖的复杂的数据环境下并不适用。
== 高斯判别分析 ==
=== 高斯分布 ===
在实践中，最常遇到的概率密度函数是[[高斯分布]]，如果不能判断现实数据环境的分布情况，也可以依据[[中心极限定理]]假设其[[概率密度函数]]近似服从[[高斯分布]]。
单变量高斯函数定义为:
<math>
p(x)=\frac{1}{\sqrt{2 \pi}\sigma}exp(-\frac{(x-\mu)^2}{2\sigma^2})
</math>
其中，<math>\mu</math>为<math>x</math>均值，<math>\sigma^2</math>为<math>x</math>的方差，表示<math>x</math>服从均值为<math>\mu</math>的方差为<math>\sigma^2</math>的高斯分布，写为<math>p(x) \sim N(\mu, \sigma^2)</math>。服从高斯分布的样本聚集于均值附近，其散布程度与标准差<math>\sigma</math>有关。
在d维特征空间中，多元高斯函数定义为:
<math>
p(x)=\frac{1}{(2 \pi)^{d/2} |\Sigma|^{1/2}}exp(-\frac{1}{2} (x-\mu)^T \Sigma^{-1}({x-\mu}))
</math>
其中:
<math>\mu</math> 为<math>x</math>d维[[均值向量]]
<math>\Sigma</math> 是d*d的[[协方差矩阵]]。定义为:<math>\Sigma=E[(x-\mu)(x-\mu)^T]</math>。
<math>|\Sigma|</math> 表示[[行列式的值]]
<math>\Sigma^{-1}</math> 表示[[矩阵的逆]]
<math>(x-\mu)^T</math> 是<math>(x-\mu)</math>的[[转置]]
=== 协方差矩阵的相关性 ===
<math>\sigma_{ij}</math>是协方差矩阵<math>\Sigma</math>的第ij个元素，表示随机向量的任两个维度的相关度，那么：<math>\sigma_{ij} = E[(X_i - \mu_i)(X_j - \mu_j)]</math>
协方差矩阵有如下特性：
* 为了使<math>|\Sigma|</math>的值是一个正数，我们严格限定<math>\Sigma</math>是[[正定的]]。
<br/>
* 协方差<math>\Sigma</math>是对称的，其主对角线上的元素是方差，其它为协方差。
<math>\sigma_{ij} \ge 0</math> 表示第i列特征和第j列特征[[正相关]]
<math>\sigma_{ij} \le 0</math> 表示第i列特征和第j列特征[[负相关]]
<math>\sigma_{ij} = 0</math> 表示第i列特征和第j列特征[[不相关]]
* 其中均值决定中心位置(方位和高度)，协方差决定决定投影椭圆的形状(朝向和大小)。
<br/>
[[File:贝叶斯分类_高斯密度1.jpg]]
[[File:贝叶斯分类_高斯密度2.jpg]]
若方差<math>\sigma_{i}^2 > \sigma_{j}^2</math>，则椭圆投影向x_i轴拉伸，方差越小越陡峭
若协方差<math>\sigma_{ij} > 0</math>，则投影沿主对角线拉伸
若协方差<math>\sigma_{ij} < 0</math>，则投影沿副对角线拉伸
<br/>
* 我们可以根据协方差矩阵计算任两个维度之间取值为(-1,1)之间的相关系数。
<math>corr(X_i, X_j)= \frac{\sigma_{ij}}{\sigma_i \sigma_j}, i,j=1,2,...,d</math>
<br/>
* 也可以根据[[样本协方差矩阵]]推导出[[皮尔逊相关系数]]，计算任两个样本之间的相关系数。
<math>corr(x_i, x_j) = \frac{\sum_{t=1}^d (x_{it} - \overline{x_i}) (x_{jt} - \overline{x_j})}{\sqrt{\sum_{t=1}^d (x_{it} - \overline{x_i}) ^ 2} \sqrt{\sum_{t=1}^d (x_{jt} - \overline{x_j}) ^ 2}}, i,j=1,2,...,N</math>
=== 多元高斯假设 ===
从贝叶斯公式可以看出对条件概率密度函数<math>p(x|w_i)</math>的计算至关重要。在一些问题中，我们能够确定条件概率密度函数的类型，也就是得知他服从某一概率分布，那么问题就变成模型已知参数未知的估计问题。我们假设条件概率密度函数<math>p(x|w)</math>服从高斯分布，则有
<math>p(w)=\phi^{w}(1-\phi)^{1-w}</math>
<math>p(x|w=i)=p(x;\mu_i,\Sigma)=\frac{1}{(2 \pi)^{d/2} |\Sigma|^{1/2}}exp(-\frac{1}{2} (x-\mu_i)^T \Sigma^{-1}({x-\mu_i}))</math>
最大似然估计如下：
<math>l(\phi,\mu_i,\Sigma)=log\prod_{j=1}^m p(x^{(j)},w^{(j)};\phi,\mu_i,\Sigma)
</math>
<math>l(\phi,\mu_i,\Sigma)=log\prod_{j=1}^m p(x^{(j)}|w^{(j)};\mu_i,\Sigma)p(w^{(j)};\phi)
</math>
最大似然估计的解法是根据待估参数对似然函数求偏导，再使偏导等于0后求极致得到参数的式子，在高斯分布中，最大似然估计出来的参数等价于样本的均值和方差，这里略去证明，直接得到结果为：
<math>\phi=\frac{1}{m}\sum_{j=1}^{m}L\{w^{(j)}=i\}</math>
<math>\mu_i=\frac{\sum_{j=1}^mL\{w^{(j)}=i\}x^{(j)}}{\sum_m^{j=1}L\{w^{(j)}=i\}}</math>
<math>\Sigma=\frac{1}{m}\sum_{j=1}^m(x^{(j)}-\mu_{w(j)})(x^{(j)}-\mu_{w(j)})^T</math>
===判别分析===
如果我们将P(Y|X)=P(X|Y)P(Y)使用判别函数g_i(x)获得:
<math>g_i(x)=-\frac{1}{2}(x-\mu_i)^T\Sigma_i^{-1}(x-\mu_i)-\frac{d}{2}ln2\pi-\frac{1}{2}ln|\Sigma_i|+lnP(w_i)+w_{i0}</math>
我们分情况讨论这个式子以简化函数
====情况1：特征独立假设<math>\Sigma_i=\sigma^2I</math>====
如果有样本数据的各特征统计独立，并且每个特征具有显通的方差<math>\sigma^2</math>时，在这样的情况下协方差矩阵仅仅是<math>\sigma^2</math>与单位矩阵I的乘积，为对角矩阵。几何上，它的样本数据落于同等大小的超椭球体，这样上式中的<math>|\Sigma_i|</math>与<math>(d/2)ln2\pi</math>对于任意g_i(x)都相等，可以省略。因此我们可以得到
<math>g_i(x)=-\frac{||x-\mu_i||^2}{2\sigma^2}+lnP(w_i)</math>
其中<math>||x-\mu_i||^2</math>是欧几里德范数，展开就是关于x的二次函数，但实际上关于i的协方差矩阵相等，所以没必要计算，使它变成了可省略计算的常量，于是，我们得到线型判别函数：
<math>g_i(x)=w_i^Tx+w_{i0}</math>
<math>w_i=\frac{1}{\sigma^2}\mu_i</math>
<math>w_{i0}=\frac{-1}{2\sigma^2}\mu_i^T\mu_i+lnP(w_i)</math>
====情况2：同方差假设<math>\Sigma_i=\Sigma</math>====
当所有类的协方差矩阵均相当，各自均值向量任意，几何上，样本落在相同大小和相同形状的超椭球体聚类中，第i类的聚类中心在向量<math>\mu_i</math>附近，式中的<math>|\Sigma_i|</math>与<math>(d/2)ln2\pi</math>对于任意g_i(x)都相等，可以省略。
<math>g_i(x)=-\frac{1}{2}(x-\mu_i)^T\Sigma^{-1}(x-\mu_i)+lnP(w_i)</math>
与情况1同方差假设不同的是，样本数据各个统计特征不独立，图形投影不是正圆，点到判决函数的距离由欧式距离退化到马式距离(Mahalanobis)<math>d_m=[(x-\mu_i)^T\Sigma^-1(x-\mu_i)]^{1/2}</math>
<math>g_i(x)=w_i^Tx+w_{i0}</math>
<math>w_i=\Sigma^{-1}\mu_i</math>
<math>w_{i0}=-\frac{1}{2}\mu_i^T\Sigma^{-1}\mu_i+lnP(w_i)</math>
====情况3：高斯假设<math>\Sigma_i=</math>任意====
一般的多元高斯分布，每一类的协方差矩阵是不同的，唯一可以去掉的一项是<math>(d/2)ln2\pi</math>，其判别函数显然是二次型。在两类问题中，对应的判定面是超二次曲面，可以是超平面，超平面对，超球体，超椭球体，超抛物面，超双曲面等各种二次曲面。
<math>g_i(x)=X^TW_ix+w_i^Tx+lnP(w_i)</math>
<math>W_i=-\frac{1}{2}\Sigma_i^{-1}</math>
<math>w_i=\Sigma_i^{-1}\mu_i</math>
<math>w_{i0}=-\frac{1}{2}\mu_i^T\Sigma^{-1}\mu_i-\frac{1}{2}|\Sigma_i|+lnP(w_i)</math>
== 高斯混合模型 ==
== 贝叶斯网络 ==
[[分类:旧词条迁移]]
由[[乘法公式]]引出
P(AB) = P(B|A) P(A)
P(B|A) = P(AB) / P(A)
P(B|A) = P(A|B) P(B) / P(A)
对于指定对象从属于某一类别的问题从概率的角度可以理解为求P(B|A)，意思是给定A的条件，求B发生的概率。那么对于多个类别集<math>W=\{w_1,w_2,...,w_n\}</math>和指定的随机变量<math>x</math>，则有:
<math>W = \underset{w_i}{\operatorname{argmax}} P(w_i|x)</math>
求<math>x</math>出现在每一个<math>w_i</math>的概率。带入贝叶斯公式：
<math>
P(w_i|x)=\frac{p(x|w_i)P(w_i)}{p(x)}
</math>
其中：
<math>P(w_i|x)</math> [[后验概率]]，即所求结果。
<math>P(w_i)</math> [[先验概率]]，可以通过训练样本直接求出。
<math>p(x|w_i)</math> [[随机变量]]<math>x</math>的[[条件概率密度函数]]。
<math>p(x)</math> [[随机变量]]<math>x</math>的[[概率密度函数]]，可通过[[全概率公式]]求出，但对于在给定的<math>x</math>，不影响比较<math>P(w_i|x)</math>的结果,可以忽略不求。
从上式看出[[后验概率]]<math>P(w_i|x)</math>的求解取决于对x的[[条件概率密度函数]]<math>p(x|w_i)</math>的估计。
== 朴素贝叶斯 ==
因为x的[[条件概率密度函数]]<math>p(x|w_i)</math>并不容易求得，也因如果在特定场合里，给定的样本集合是[[离散形式]]的数据，这样我们将求x的[[条件概率密度函数]]<math>p(x|w_i)</math>变为求解条件概率<math>P(x|w_i)</math>。
但求解有高维特征向量x的[[条件概率]]仍然很复杂。例如: n维向量的条件概率<math>P(x_1,x_2,...,x_n|w_i)</math>
<math>P(x_1,x_2,...,x_n|w_i)</math>
<math>=P(x_1\vert w_i) \ P(x_2,\dots,x_n\vert w_i, x_1)</math>
<math>=P(x_1\vert w_i) \ P(x_2\vert w_i, x_1) \ P(x_3,\dots,x_n\vert w_i, x_1, x_2)</math>
<math>=P(x_1\vert w_i) \ P(x_2\vert w_i, x_1) \ P(x_3\vert w_i, x_1, x_2) \ P(x_4,\dots,x_n\vert w_i, x_1, x_2, x_3)</math>
<math>=P(x_1\vert w_i) \ P(x_2\vert w_i, x_1) \ P(x_3\vert w_i, x_1, x_2) \ ,\dots, P(x_n\vert w_i, x_1, x_2, x_3,\dots,x_{n-1}).</math>
这样求解方法将随着n的增长使计算量直线上升，带来[[维数灾难]]的问题。
如果假设每个特征[[相互独立]]，那么将条件概率P(x|w_j)等于每个特征在类w_j下的条件概率P(x_i|w_j)的连乘
<math>P(x|w_i) = \prod_{j=1}^n P(x_j|w_i)</math>
因为[[事件独立性]]的前提假设，这样的数据环境其实服从[[伯努利分布]]，在通常情况下每个特征取值为二值，即<math>x_j \in \{0,1\}</math>，即特征在一个样例中出现或者不出现。
最终朴素贝叶斯模型如下：
<math>P(w_i|x) \varpropto P(w_i) \prod_{j=1}^n P(x_j|w_i)</math>
<math>W = \underset{w_i}{\operatorname{argmax}} \ P(W=w_i) \displaystyle\prod_{j=1}^n P(X_j=x_j\vert W=w_i)</math>
我们以上是依据[[事件独立性]]的假设来推出朴素贝叶斯模型，但也可以从高斯分布下的贝叶斯决策准则出发，通过[[最大后验概率估计]](MAP)推导求出（下面再谈）。
朴素贝叶斯模型是[[生成模型]]，通过学习联合概率<math>P(x_j,w_i)</math>来求出分类结果。它因长相朴实，实现简单所以被广大群众喜闻乐见，但因[[独立性假设]]的前置条件，使得它在特征相互依赖的复杂的数据环境下并不适用。
== 高斯判别分析 ==
=== 高斯分布 ===
在实践中，最常遇到的概率密度函数是[[高斯分布]]，如果不能判断现实数据环境的分布情况，也可以依据[[中心极限定理]]假设其[[概率密度函数]]近似服从[[高斯分布]]。
单变量高斯函数定义为:
<math>
p(x)=\frac{1}{\sqrt{2 \pi}\sigma}exp(-\frac{(x-\mu)^2}{2\sigma^2})
</math>
其中，<math>\mu</math>为<math>x</math>均值，<math>\sigma^2</math>为<math>x</math>的方差，表示<math>x</math>服从均值为<math>\mu</math>的方差为<math>\sigma^2</math>的高斯分布，写为<math>p(x) \sim N(\mu, \sigma^2)</math>。服从高斯分布的样本聚集于均值附近，其散布程度与标准差<math>\sigma</math>有关。
在d维特征空间中，多元高斯函数定义为:
<math>
p(x)=\frac{1}{(2 \pi)^{d/2} |\Sigma|^{1/2}}exp(-\frac{1}{2} (x-\mu)^T \Sigma^{-1}({x-\mu}))
</math>
其中:
<math>\mu</math> 为<math>x</math>d维[[均值向量]]
<math>\Sigma</math> 是d*d的[[协方差矩阵]]。定义为:<math>\Sigma=E[(x-\mu)(x-\mu)^T]</math>。
<math>|\Sigma|</math> 表示[[行列式的值]]
<math>\Sigma^{-1}</math> 表示[[矩阵的逆]]
<math>(x-\mu)^T</math> 是<math>(x-\mu)</math>的[[转置]]
=== 协方差矩阵的相关性 ===
<math>\sigma_{ij}</math>是协方差矩阵<math>\Sigma</math>的第ij个元素，表示随机向量的任两个维度的相关度，那么：<math>\sigma_{ij} = E[(X_i - \mu_i)(X_j - \mu_j)]</math>
协方差矩阵有如下特性：
* 为了使<math>|\Sigma|</math>的值是一个正数，我们严格限定<math>\Sigma</math>是[[正定的]]。
<br/>
* 协方差<math>\Sigma</math>是对称的，其主对角线上的元素是方差，其它为协方差。
<math>\sigma_{ij} \ge 0</math> 表示第i列特征和第j列特征[[正相关]]
<math>\sigma_{ij} \le 0</math> 表示第i列特征和第j列特征[[负相关]]
<math>\sigma_{ij} = 0</math> 表示第i列特征和第j列特征[[不相关]]
* 其中均值决定中心位置(方位和高度)，协方差决定决定投影椭圆的形状(朝向和大小)。
<br/>
[[File:贝叶斯分类_高斯密度1.jpg]]
[[File:贝叶斯分类_高斯密度2.jpg]]
若方差<math>\sigma_{i}^2 > \sigma_{j}^2</math>，则椭圆投影向x_i轴拉伸，方差越小越陡峭
若协方差<math>\sigma_{ij} > 0</math>，则投影沿主对角线拉伸
若协方差<math>\sigma_{ij} < 0</math>，则投影沿副对角线拉伸
<br/>
* 我们可以根据协方差矩阵计算任两个维度之间取值为(-1,1)之间的相关系数。
<math>corr(X_i, X_j)= \frac{\sigma_{ij}}{\sigma_i \sigma_j}, i,j=1,2,...,d</math>
<br/>
* 也可以根据[[样本协方差矩阵]]推导出[[皮尔逊相关系数]]，计算任两个样本之间的相关系数。
<math>corr(x_i, x_j) = \frac{\sum_{t=1}^d (x_{it} - \overline{x_i}) (x_{jt} - \overline{x_j})}{\sqrt{\sum_{t=1}^d (x_{it} - \overline{x_i}) ^ 2} \sqrt{\sum_{t=1}^d (x_{jt} - \overline{x_j}) ^ 2}}, i,j=1,2,...,N</math>
=== 多元高斯假设 ===
从贝叶斯公式可以看出对条件概率密度函数<math>p(x|w_i)</math>的计算至关重要。在一些问题中，我们能够确定条件概率密度函数的类型，也就是得知他服从某一概率分布，那么问题就变成模型已知参数未知的估计问题。我们假设条件概率密度函数<math>p(x|w)</math>服从高斯分布，则有
<math>p(w)=\phi^{w}(1-\phi)^{1-w}</math>
<math>p(x|w=i)=p(x;\mu_i,\Sigma)=\frac{1}{(2 \pi)^{d/2} |\Sigma|^{1/2}}exp(-\frac{1}{2} (x-\mu_i)^T \Sigma^{-1}({x-\mu_i}))</math>
最大似然估计如下：
<math>l(\phi,\mu_i,\Sigma)=log\prod_{j=1}^m p(x^{(j)},w^{(j)};\phi,\mu_i,\Sigma)
</math>
<math>l(\phi,\mu_i,\Sigma)=log\prod_{j=1}^m p(x^{(j)}|w^{(j)};\mu_i,\Sigma)p(w^{(j)};\phi)
</math>
最大似然估计的解法是根据待估参数对似然函数求偏导，再使偏导等于0后求极致得到参数的式子，在高斯分布中，最大似然估计出来的参数等价于样本的均值和方差，这里略去证明，直接得到结果为：
<math>\phi=\frac{1}{m}\sum_{j=1}^{m}L\{w^{(j)}=i\}</math>
<math>\mu_i=\frac{\sum_{j=1}^mL\{w^{(j)}=i\}x^{(j)}}{\sum_m^{j=1}L\{w^{(j)}=i\}}</math>
<math>\Sigma=\frac{1}{m}\sum_{j=1}^m(x^{(j)}-\mu_{w(j)})(x^{(j)}-\mu_{w(j)})^T</math>
===判别分析===
如果我们将P(Y|X)=P(X|Y)P(Y)使用判别函数g_i(x)获得:
<math>g_i(x)=-\frac{1}{2}(x-\mu_i)^T\Sigma_i^{-1}(x-\mu_i)-\frac{d}{2}ln2\pi-\frac{1}{2}ln|\Sigma_i|+lnP(w_i)+w_{i0}</math>
我们分情况讨论这个式子以简化函数
====情况1：特征独立假设<math>\Sigma_i=\sigma^2I</math>====
如果有样本数据的各特征统计独立，并且每个特征具有显通的方差<math>\sigma^2</math>时，在这样的情况下协方差矩阵仅仅是<math>\sigma^2</math>与单位矩阵I的乘积，为对角矩阵。几何上，它的样本数据落于同等大小的超椭球体，这样上式中的<math>|\Sigma_i|</math>与<math>(d/2)ln2\pi</math>对于任意g_i(x)都相等，可以省略。因此我们可以得到
<math>g_i(x)=-\frac{||x-\mu_i||^2}{2\sigma^2}+lnP(w_i)</math>
其中<math>||x-\mu_i||^2</math>是欧几里德范数，展开就是关于x的二次函数，但实际上关于i的协方差矩阵相等，所以没必要计算，使它变成了可省略计算的常量，于是，我们得到线型判别函数：
<math>g_i(x)=w_i^Tx+w_{i0}</math>
<math>w_i=\frac{1}{\sigma^2}\mu_i</math>
<math>w_{i0}=\frac{-1}{2\sigma^2}\mu_i^T\mu_i+lnP(w_i)</math>
====情况2：同方差假设<math>\Sigma_i=\Sigma</math>====
当所有类的协方差矩阵均相当，各自均值向量任意，几何上，样本落在相同大小和相同形状的超椭球体聚类中，第i类的聚类中心在向量<math>\mu_i</math>附近，式中的<math>|\Sigma_i|</math>与<math>(d/2)ln2\pi</math>对于任意g_i(x)都相等，可以省略。
<math>g_i(x)=-\frac{1}{2}(x-\mu_i)^T\Sigma^{-1}(x-\mu_i)+lnP(w_i)</math>
与情况1同方差假设不同的是，样本数据各个统计特征不独立，图形投影不是正圆，点到判决函数的距离由欧式距离退化到马式距离(Mahalanobis)<math>d_m=[(x-\mu_i)^T\Sigma^-1(x-\mu_i)]^{1/2}</math>
<math>g_i(x)=w_i^Tx+w_{i0}</math>
<math>w_i=\Sigma^{-1}\mu_i</math>
<math>w_{i0}=-\frac{1}{2}\mu_i^T\Sigma^{-1}\mu_i+lnP(w_i)</math>
====情况3：高斯假设<math>\Sigma_i=</math>任意====
一般的多元高斯分布，每一类的协方差矩阵是不同的，唯一可以去掉的一项是<math>(d/2)ln2\pi</math>，其判别函数显然是二次型。在两类问题中，对应的判定面是超二次曲面，可以是超平面，超平面对，超球体，超椭球体，超抛物面，超双曲面等各种二次曲面。
<math>g_i(x)=X^TW_ix+w_i^Tx+lnP(w_i)</math>
<math>W_i=-\frac{1}{2}\Sigma_i^{-1}</math>
<math>w_i=\Sigma_i^{-1}\mu_i</math>
<math>w_{i0}=-\frac{1}{2}\mu_i^T\Sigma^{-1}\mu_i-\frac{1}{2}|\Sigma_i|+lnP(w_i)</math>
== 高斯混合模型 ==
== 贝叶斯网络 ==
[[分类:旧词条迁移]]