| 姓名：朱永生著 作者简介： 作品：《第五届国际汉语教学学术研讨会论文集》《实验数据多元统计分析》《实验物理中的概率和统计》《综合教程:第四册:教师用书》《综合教程(第4册学生用书附光盘)/新世纪高等院校英语专业本科生系列教材》《复旦汉学论丛:第六辑》《系统功能语言学多维思考/当代语言学丛书(当代语言学丛书；国家哲学社会科学规划项目)》 |
| 第四章 决策树判别 前面我们讨论了用线性判别函数设计分类器的方法。但是大量实际的模式识别问题并不是线性可分的，比如当两类样本的分布具有多峰性质并相互交错时，简单的线性判别函数往往会导致较大的分类错误。这种情况下就需要采用非线性分类器。 从本章开始我们来讨论几种常用的、特别是在高能物理实验数据分析中常用的非线性分类方法。 4.1 超长方体分割法 我们首先讨论一种对于二类问题的最简单的非线性判别方法——超长方体分割法，它可以认为是决策树判别方法的一种最简单的特例，但是由于它简单、易实行的特点，在实验数据的多元分析中，特别是高能物理实验数据分析中，仍然有比较广泛的应用。 4.1.1 超长方体分割法的基本思想 在本节的讨论中，为了不失一般性，我们把样本分为信号和本底两个类别，信号指实验中所要研究的过程的事例样本，所有信号以外的样本都属于本底样本。 超长方体分割法不是企图用一个决策规则把两类样本一次分开，而是采用分级的方法来解决分类问题。它的基本思想如图4.1所示。…… 更多 |
| 前言 第一章 绪论 1.1 模式和模式识别 1.2 模式识别系统 1.2.1 原始数据获取 1.2.2 原始数据的预处理 1.2.3 特征提取和选择 1.2.4 分类决策 1.3 数据矩阵与样本空间 1.3.1 数据矩阵与样本空间 1.3，2 模式的相似性度量 1.3.3 样本点的权重和特征向量数据的预处理 1.4 主成分分析 1.4.1 主成分分析的基本思想 1.4.2 主成分分析算法 1.4.3 降维处理及信息损失 第二章 贝叶斯决策 2.1 基于最小错误率的贝叶斯决策 2.1.1 决策规则 2.1.2 错误率 2.1.3 分类器设计 2.2 neyman-pearson决策 2.3 正态分布时的贝叶斯决策 2.4 分类器的效率和错误率 2.4.1 分类器的效率、错误率和判选率矩阵 2.4.2 错误率的上界 2.4.3 利用检验样本集估计判选率矩阵和错误率 2.4.4 训练样本集和检验样本集的划分 2.4.5 利用判选率矩阵估计各类“真实”样本数 2.4.6 分类器判定的“信号”样本中错判事例的扣除 2.5 讨论 第三章 线性判别方法 3.1 线性判别函数 3.1.1 线性判别函数的基本概念 3.1.2 广义线性判别函数 3.1.3 线性分类器的设计 3.2 fisher线性判别 3.3 感知准则函数 3.3.1 几个基本概念 3.3.2 感知准则函数 3.4 最小错分样本数准则函数 3.5 最小平方误差准则函数 3.5.1 平方误差准则函数及其mse解 3.5.2 mse准则函数的梯度下降算法 3.5.3 随机mse准则函数及其随机逼近算法 3.6 多类问题 第四章 决策树判别 4.1 超长方体分割法 4.1.1 超长方体分割法的基本思想 4.1.2 超长方体分割法中阐值的确定 4.1.3 超长方体分割法的优缺点及其改 更多 |
内容加载中，请稍后...
商品评论（0条）