2. 贝叶斯决策论

贝叶斯决策论为模式识别提供了理论基础，通过概率方法来进行最优决策。

贝叶斯决策理论基础

贝叶斯定理

对于模式识别问题，我们有：

其中：

• ：后验概率
• ：类条件概率密度函数（似然函数）
• ：先验概率
• ：证据因子

贝叶斯决策规则

最小错误率决策：选择具有最大后验概率的类别

最小风险决策：当不同错误的代价不同时

其中风险函数为：

多元正态分布的判别函数推导

多元正态分布是模式识别中最重要的概率分布之一。对于 维特征向量 ，多元正态分布的概率密度函数为：

为了简化计算，我们通常使用判别函数 ，其中：

情况一：协方差矩阵为对角阵（独立同分布）

当各特征相互独立且方差可能不同时，协方差矩阵为对角阵：

推导过程

第一步：计算行列式和逆矩阵

第二步：计算二次型

第三步：得到判别函数

特点：

• 决策边界为超椭球面
• 各特征维度独立处理
• 计算复杂度较低

情况二：所有类的协方差矩阵相同

当所有类别具有相同的协方差矩阵时，即 ，这是线性判别分析(LDA)的基础假设。

推导过程

第一步：展开判别函数

第二步：展开二次型

第三步：消除公共项 由于 和 对所有类别都相同，在比较不同类别时可以忽略。

第四步：得到线性判别函数

这可以写成线性形式：

其中：

• （权重向量）
• （偏置项）

决策边界

两类 和 之间的决策边界由 确定：

特点：

• 决策边界为超平面（线性边界）
• 这是**线性判别分析(LDA)**的理论基础
• 计算效率高，广泛应用于实际问题

情况三：协方差矩阵任意（一般情况）

这是最一般的情况，每个类别都有自己独特的协方差矩阵 ，对应二次判别分析(QDA)。

推导过程

完整的判别函数：

第一步：展开二次型

第二步：整理得到二次判别函数

其中：

第三步：二次型的标准形式 判别函数可以写成：

其中：

• （二次项系数矩阵）
• （线性项系数向量）
• 如上所定义（常数项）

决策边界

两类之间的决策边界由 确定，这是一个二次方程：

特点：

• 决策边界为二次曲面（椭圆、抛物线、双曲线等）
• 这是二次判别分析(QDA)的理论基础
• 能够处理更复杂的分类问题，但计算复杂度较高
• 需要更多的训练样本来准确估计协方差矩阵

三种情况的比较

情况	协方差矩阵假设	判别函数形式	决策边界	参数数量	适用场景
情况一	对角阵（独立）	加权欧氏距离	超椭球面		特征独立，方差不同
情况二	所有类相同	线性函数	超平面		经典LDA，效率高
情况三	任意矩阵	二次函数	二次曲面		复杂分布，QDA

其中 是类别数， 是特征维数。

问题：得到贝叶斯风险函数需要得到什么条件，处理两类问题时如果一个类的先验远高于另一个，那么贝叶斯误差函数还会生效吗，为什么，如何克服这个问题

得到贝叶斯风险函数需要的条件

需要四个条件：先验概率、类条件概率密度、损失函数、决策规则。

先验极不平衡时的效果

当时，决策规则为：

仍然生效，但会严重偏向主导类。即使比大很多倍，只要似然比小于99，仍选择。这数学上是最优的，因为错分的期望损失(0.99)远大于错分的期望损失(0.01)。

克服方法

1. 调整损失函数：设置平衡决策阈值
2. 重采样技术：欠采样主导类或过采样少数类
3. 阈值调整：通过验证集优化决策阈值
4. 评价指标：使用F1-score、AUC等替代准确率