Байесова теория решений

Возрастание прогнозирующей способности любого классификатора с увеличением объема обучающей выборки — один из основных моментов распознавания образов во всех его формах. Как уже отмечалось в гл. 1, байесова теория решений позволяет вычислять наиболее вероятный класс того или иного образа, когда известно распределение классифицируемых образов. Однако распределение какого-либо образа в генеральной совокупности данных часто не известно. Например, согласно данным химического структурного анализа, синтезированные химические соединения исчисляются миллионами, и для довольно многих из них определены масс-спектры. Однако наиболее состоятельные выборки масс-спектров составлены лишь для нескольких тысяч соединений. Но даже если бы все спектры известных химических соединений были получены в стандартных условиях, то была бы охвачена лишь небольшая часть всех возможных соединений. Следовательно, любая классификационная схема должна исходить из оценки уместного вероятностного распределения, если не существует надежной теории, способной предсказать, каким должен быть масс-спектр любого возможного химического соединения. [c.47]

Алгоритм минимизации потерь тесно связан с методами теории статистических решений и использует в качестве аппарата метод байесовых стратегий. С помощью этого метода можно найти такие значения и л , чтобы они соответствовали условию [c.208]

Справочник химика 21

Химия и химическая технология