Typ tekstu: Książka
Autor: Basztura Czesław
Tytuł: Komputerowe systemy diagnostyki akustycznej
Rok: 1996
Autor: Basztura Czesław
Tytuł: Komputerowe systemy diagnostyki akustycznej
Rok: 1996
Bayesa w postaci rozwiniętej, tzn. podstawiając wyrażenia na ryzyka średnie
Wyrażenia po obydwu stronach nierówności (6.6) reprezentują ryzyka podjęcia określonej decyzji zaliczenia nieznanego obrazu x do określonej klasy. Dla wielu praktycznych zastosowań regułę decyzyjną można uprościć. Przyjmijmy zerojedynkową funkcję strat taką, że wtedy reguła decyzyjna przyjmuje postać
W przypadku ograniczenia zbioru M do dwóch klas 1 2 ostatnią regułę można zilustrować następująco:
Kolejne uproszczenia reguły decyzyjnej algorytmu Bayesa polegają na przyjęciu równego prawdopodobieństwa a priori pojawienia się wypowiedzi z poszczególnych klas stanów obiektów, czyli oraz założeniu, że rozkłady gęstości prawdopodobieństwa warunkowego mogą być estymowane rozkładami normalnymi ze średnią i macierzą
Wyrażenia po obydwu stronach nierówności (6.6) reprezentują ryzyka podjęcia określonej decyzji zaliczenia nieznanego obrazu x do określonej klasy. Dla wielu praktycznych zastosowań regułę decyzyjną można uprościć. Przyjmijmy zerojedynkową funkcję strat taką, że wtedy reguła decyzyjna przyjmuje postać
W przypadku ograniczenia zbioru M do dwóch klas 1 2 ostatnią regułę można zilustrować następująco:
Kolejne uproszczenia reguły decyzyjnej algorytmu Bayesa polegają na przyjęciu równego prawdopodobieństwa a priori pojawienia się wypowiedzi z poszczególnych klas stanów obiektów, czyli oraz założeniu, że rozkłady gęstości prawdopodobieństwa warunkowego mogą być estymowane rozkładami normalnymi ze średnią i macierzą
Bayesa w postaci rozwiniętej, tzn. podstawiając wyrażenia na ryzyka średnie <br><gap><br>Wyrażenia po obydwu stronach nierówności (6.6) reprezentują ryzyka podjęcia określonej decyzji zaliczenia nieznanego obrazu x do określonej klasy. Dla wielu praktycznych zastosowań regułę decyzyjną można uprościć. Przyjmijmy zerojedynkową funkcję strat taką, że <gap> wtedy reguła decyzyjna przyjmuje postać<br><gap><br>W przypadku ograniczenia zbioru M do dwóch klas 1 2 ostatnią regułę można zilustrować następująco: <gap> <br>Kolejne uproszczenia reguły decyzyjnej algorytmu Bayesa polegają na przyjęciu równego prawdopodobieństwa a priori pojawienia się wypowiedzi z poszczególnych klas stanów obiektów, czyli <gap> oraz założeniu, że rozkłady gęstości prawdopodobieństwa warunkowego <gap> mogą być estymowane rozkładami normalnymi ze średnią <gap> i macierzą
