Байеса правило

При решении задач второй группы оцениваются неизвестные параметры распределения на материале классифицируемой последовательности объектов, например, в вероятностной постановке с использованием правила Байеса. В работе [115] рассматривается задача самообучения в условиях, когда объекты из одного и того же класса расположены компактно (т. е. группируются близко к центру этого класса). [c.242]

Р г (- 11 < г) — Р г-5 + , г) Р г х , , х + , Х ). Это так называемое правило Байеса. Его обычно записывают в виде -----------. (1,3.3) [c.20]

Тогда правило Байеса дает [c.56]

Определение решающей функции /(X) осуществляют параметрическими методами или непараметрическими методами. Начальной операцией параметрических методов обучения служит оценка статистических параметров образов, составляющих обучающую выборку. Затем такие оценки используют при детализации разделяющих функций. Самой распространенной параметрической разделяющей функцией является правило Байеса, поскольку оно выражает оптимальное решение для задач точно определенного класса. [c.15]

Если предположить, что образы имеют гауссово распределение и что средние значения векторов и ковариационные матрицы точно характеризуют свои классы, то байесова разделяющая функция является оптимальной. По этой причине правило Байеса используют как прототип при сравнении с другими разделяющими функциями. [c.16]

Это так называемое правило Байеса. Его обычно записывают в виде 5 I л-5 (- 1, - +. .., х,.)=-р (1.3.3) [c.20]

Условную вероятность события в промежутке (/ ,/(, + d/ ,) при условии того, что другое событие произошло в интервале (/ — d/д, /J. можно получить разделив выражение (2.6.6) на /, ( а) — вероятность события в промежутке (/ — t ) (правило Байеса (1.3.3)). Тогда распределение вероятности времени ожидания / , — t,, после регистрации события в момент t дается формулой [c.55]

I, Ь Ь — число выбранных в подмножество методов распознавания) формирует индивидуальное решение (г = 1, Ь). Тогда коллективное решение формируется как функция индивидуальных решений Л = Ф ( г, , г = 1, Ь). Следует учитывать, что в Н = Ф ( ) каждое индивидуальное решение может входить с определенным весом. Вес определяется как методом, так и видом распознаваемой ситуации. Сформированное подмножество методов будет содержать как эффективные, так и неэффективные методы. Поэтому необходимо в системе распознавания предусмотреть процедуру оптимизации коллектива — алгоритмы селекции. Для решения этой задачи предлагается применение неформальных приемов — эвристик, в качестве которых могут выступать метод, прием, правило или стратегия [44]. Проведенные сравнительные оценки метода коллективного голосования с известными методами (минимума расстояния до средних, потенциальных функций, Байеса и т. п.) показали его преимущества [45]. Следовательно, одним из путей иовышення эф( ективности применения методов теории распознавания, является реализация системного принципа синтеза решающих правил (принятие решений) на основе метода коллективного распознавания. [c.81]

Правило (VI.3) называют правилом классификации Байеса. Одномерный пример для случая трех классов к =, 1=3) приведен на рис. VI.3. Точки относят к тому классу, который максимизирует pifi (X), как это показано в (VI.3). Каждая точка относится к тому классу, для которого произведение плотности на априорную сероятность (Л) достигает максимума. [c.245]

Процедуру оптимизации коллектива, которая состоит в таком подборе правил и их замене, назвали селекцией. Для решения задачи селекции предлагается использование эвристического алгоритма, предусматривающего последовательное применение неформальных приемов — эвристик, в качестве которых могут выступать метод, прием, правило или стратегия Ц561. В работе [149] сравниваются эффективности различных известных методов распознавания с методом коллективного распознавания и показаны его преимущества по отношению к отдельно взятым методам минимума расстояния до средних потенциальных функций Байеса, ближайшей точки и квадратичной регрессии. [c.265]

Справочник химика 21

Химия и химическая технология