Pattern Classification

Podobne dokumenty
Pattern Classification

Temat: Operacje elementarne na wierszach macierzy

MECHANIKA BUDOWLI 13

Pattern Classification

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych

Zaawansowane metody numeryczne

Metoda Rónic Skoczonych

Macierz prawdopodobieństw przejścia w pojedynczym kroku dla łańcucha Markowa jest postaci

Monitorowanie i Diagnostyka w Systemach Sterowania

Pokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem

f(x, y) = arctg x y. f(u) = arctg(u), u(x, y) = x y. x = 1 1 y = y y = 1 1 +

OPTYMALIZACJA PARAMETRÓW DYSKRETYZACJI W SYSTEMACH DIAGNOSTYKI OBRAZOWEJ

1. Definicje podstawowe. Rys Profile prędkości w rurze. A przepływ laminarny, B - przepływ burzliwy. Liczba Reynoldsa

WPŁYW PARAMETRÓW DYSKRETYZACJI NA NIEPEWNOŚĆ WYNIKÓW POMIARU OBIEKTÓW OBRAZU CYFROWEGO

Wyrównanie spostrzeżeń pośrednich. Spostrzeżenia jednakowo dokładne

Ciepło topnienia lodu

p Z(G). (G : Z({x i })),

5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim

Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.

Diagonalizacja macierzy kwadratowej

Statystyka Inżynierska

Zadanie 1. Rzucamy symetryczną monetą tak długo, aż w dwóch kolejnych rzutach pojawią się,,reszki. Oblicz wartość oczekiwaną liczby wykonanych rzutów.

Sztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311


Wstęp do metod numerycznych Faktoryzacja SVD Metody iteracyjne. P. F. Góra

Badanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej

8. MOC W OBWODZIE PRĄDU SINUSOIDALNEGO

Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych

Konstrukcja gier sprawiedliwych i niesprawiedliwych poprzez. określanie prawdopodobieństwa.

UCHWAŁA NR 279/XVIII/2011 Rady Miasta Płocka z dnia 29 grudnia 2011 roku

Metoda Różnic Skończonych

Metody gradientowe poszukiwania ekstremum. , U Ŝądana wartość napięcia,

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE

Modele rozmyte 1. Model Mamdaniego

BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda

V. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH

Mikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński

7. Maszyny wektorów podpierajacych SVMs

2. PRAKTYCZ A REALIZACJA PRZEMIA Y ADIABATYCZ EJ

STANDARDOWE TECHNIKI KOMPRESJI SYGNAŁÓW

Prawdopodobieństwo i statystyka r.

SYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.

Analiza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD A

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Maszyna wektorów nośnych (Support vector machine)

Portfel. Portfel pytania. Portfel pytania. Analiza i Zarządzanie Portfelem cz. 2. Katedra Inwestycji Finansowych i Zarządzania Ryzykiem

Wprowadzenie. Support vector machines (maszyny wektorów wspierających, maszyny wektorów nośnych) SVM służy do: Zalety metody SVM

Pojęcia. 1. pole powierzchni (object specific area) [F] Suma pól pikseli w wyróżnionym obiekcie/profilu.

XXX OLIMPIADA FIZYCZNA ETAP III Zadanie doświadczalne

MRS I MES W ANALIZIE BELEK O ZMIENNYM PRZEKROJU

TERMODYNAMIKA PROCESOWA I TECHNICZNA

Procedura normalizacji

Karta (sylabus) modułu/przedmiotu

Wykład IX Optymalizacja i minimalizacja funkcji

Notatki do wykładu Geometria Różniczkowa I

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 4

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH

I. Elementy analizy matematycznej

dy dx stąd w przybliżeniu: y

METODA UNITARYZACJI ZEROWANEJ Porównanie obiektów przy ocenie wielokryterialnej. Ranking obiektów.

Definicje ogólne

KINEMATYKA MANIPULATORÓW

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Statystyka. Zmienne losowe

Kier. MTR Programowanie w MATLABie Laboratorium Ćw. 12

) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4

Funkcje i charakterystyki zmiennych losowych

1.12. CAŁKA MOHRA Geometryczna postać całki MOHRA. Rys. 1

EKSTREMA FUNKCJI EKSTREMA FUNKCJI JEDNEJ ZMIENNEJ. Tw. Weierstrassa Każda funkcja ciągła na przedziale domkniętym ma wartość najmniejszą i największą.

Uchwała Nr 279/XVIII/2011 Rady Miasta Płocka z dnia 29 grudnia 2011 roku

RUCH OBROTOWY Można opisać ruch obrotowy ze stałym przyspieszeniem ε poprzez analogię do ruchu postępowego jednostajnie zmiennego.

ALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO

OGÓLNE PODSTAWY SPEKTROSKOPII

Egzamin poprawkowy z Analizy II 11 września 2013

liniowym w przeciwnym przypadku mówimy o programowaniu nieliniowym.

ELEKTROCHEMIA. ( i = i ) Wykład II b. Nadnapięcie Równanie Buttlera-Volmera Równania Tafela. Wykład II. Równowaga dynamiczna i prąd wymiany

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Różniczkowalność, pochodne, ekstremum funkcji. x 2 1 x x 2 k

LABORATORIUM INŻYNIERII CHEMICZNEJ, PROCESOWEJ I BIOPROCESOWEJ. Ćwiczenie nr 7

Algebra z geometrią 2012/2013

Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB

METODY PLANOWANIA EKSPERYMENTÓW. dr hab. inż. Mariusz B. Bogacki

Parametry zmiennej losowej

System Przeciwdziałania Powstawaniu Bezrobocia na Terenach Słabo Zurbanizowanych SPRAWOZDANIE Z BADAŃ Autor: Joanna Wójcik

2 Rachunek macierzowy, metoda eliminacji Gaussa-Jordana Wprowadzenie teoretyczne Zadania... 13

Statystyka Opisowa 2014 część 2. Katarzyna Lubnauer

( ) L 1. θ θ = M. Przybycień Rachunek prawdopodobieństwa i statystyka. = θ. min

Kolokwium poprawkowe z Optymalizacji II (Ściśle tajne przed godz. 16 : stycznia 2016.)

NOWOCZESNE METODY BADAŃ DIAGNOSTYCZNYCH MASZYN GÓRNICZYCH Z WYKORZYSTANIEM PROGRAMU DIAGNOPRZEM

SZTUCZNA INTELIGENCJA

Analiza danych OGÓLNY SCHEMAT. Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)

Problemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA

WikiWS For Business Sharks

Proste modele ze złożonym zachowaniem czyli o chaosie

Ćwiczenie nr 2 WYZNACZANIE GĘSTOŚCI CIAŁ STAŁYCH Instrukcja dla studenta

8. Optymalizacja decyzji inwestycyjnych

Podprzestrzenie macierzowe

Diagnostyka układów kombinacyjnych

ZAJĘCIA X. Zasada największej wiarygodności

Sztuczne sieci neuronowe

Transkrypt:

Pattern Classfcaton All materals n these sldes ere taken from Pattern Classfcaton nd ed by R. O. Duda, P. E. Hart and D. G. Stork, John Wley & Sons, 000 th the permsson of the authors and the publsher

Chapter 5: Lnoe funkcje dyskrymnujące Sectons 5.-5- Wproadzene Lnoe funkcje dyskrymnujące poerzchne decyzyjne Funkcje dyskrymnujące lnoe ze zględu na parametry

Wproadzene Poprzedno zakładalśmy znajomość rozkładó pradopodobeństa Obseracje z cągu uczącego były użyte do estymacj parametró tych rozkładó metoda najększej arygodnośc, maksmum a posteror Teraz zakładamy znajomość jedyne postac funkcj dyskrymnujących, podobne jak technkach neparametrycznych Lnoe funkcje dyskrymnujące są bardzo ygodne do oblczeń

Lnoe funkcje dyskrymnujące poerzchne decyzyjne Defncja Lnoa funkcja decyzyjna to taka, która jest lnoą kombnacją o postac: g T 0 gdze jest ektorem spółczynnkó agoych a 0 nazyamy progem Klasyfkator bnarny rozpoznający de klasy z funkcją dyskrymnującą o postac korzysta z reguły decyzyjnej: Wyberz ω jeżel g > 0 ω jeżel g < 0 Wyberz ω jeżel T > - 0 ω przecnym przyp. Jeżel g 0 ynk rozpoznaana jest neokreślony

5 Rónane g 0 defnuje poerzchnę decyzyjną separującą punkty należące do klasy ω od punktó należących do klasy ω Dla lnoej funkcj g poerzchna decyzyjna to hperpoerzchna Funkcja dyskrymnująca g daje marę odległośc od hperpoerzchn

6

p r poneaż ektor z ektorem jest spółlnoy oraz - p 7 g 0 Poneaż to W szczególnośc d T 0 0,H r g Lnoa funkcja dyskrymnująca dzel przestrzeń cech hperpoerzchną decyzyjną Orentację tej poerzchn yznacza ektor normalny a jej położene zależy od progu

Przypadek elu klas 8 Defnujemy c lnoych funkcj dyskrymnujących T g 0,...,c przypsujemy do klasy ω jeżel g > g j j ; Tak klasyfkator nazyamy maszyną lnoą Maszyna lnoa dzel przestrzeń cech na c obszaró decyzyjnych, przy czym g przyjmuje artość najększą dla należącego do obszaru R Dla dóch przyległych obszaró R, R j, granca mędzy nm jest fragmentem hperpłaszczyzny H j zdefnoanej jako: g g j j T 0 j0 0 j jest normalny do H j d, H j g g j j

9

Można łato pokazać, że obszary decyzyjne generoane przez maszynę lnoą są ypukłe. Nakłada to pene ogranczene na elastyczność dokładność klasyfkatora 0

Funkcje dyskrymnujące lnoe ze zględu na parametry Grance obszaró decyzyjnych na ogół ne są lnoe Złożony kształt granc obszaró decyzyjnych ymaga użyca slne nelnoych funkcj Najczęścej rozażana jest ogólnejsza postać lnoych funkcj dyskrymnujących: g f f N f N N gdze f, N są jednoymaroym funkcjam ektora, R n przestrzeń eukldesoa

Wstaając f n, otrzymujemy: g N gdze f T,,..., N, N T f,f,...,f N,f N T Ten zaps funkcj g skazuje na fakt, że każda funkcja dyskrymnująca postac może być traktoana jako lnoa N ymaroej przestrzen N > n g mantans ts non-lnearty characterstcs n R n

Częstym yborem funkcj g, dla których f N są elomany g T gdze jest noym ektorem parametró agoych yznaczonym na podstae orygnalnego ektora oraz f, N Kadratoe funkcje dyskrymnujące dla -ymaroej przestrzen cech: g,,..., 6 T,, 5,,, 6 T,

Dla obrazó R n, najogólnejsza postać kadratoych funkcj dyskrymnujących jest następująca: g n j j n n j n n Lczba elementó po praej strone yrażena jest róna: l N n n n n n n Jest to całkota lczba sobodnych parametró agoych, przykładoo: Dla n, ektor Dla n 0, ektor ma 0 ymaró ma 65 ymaró

5 W przypadku funkcj dyskrymnujących będących elomanam m-tego rzędu, typoa f ma postać: f e gdze e,... e m,..., m m n oraz e to 0 lub. Jest to eloman, którego rząd jest z przedzału od 0 do m. Aby unknąć potórzeń ymagamy, aby m g m n n n m m,... m m...... g m m gdze g 0 n jest najogólnejszą funkcją dyskrymnującą postac elomanu rzędu m

Przykład : Nech n m, to óczas: Przykład : Nech n m, to óczas: g gdze g g g g g 6

7 Najczęścej użyaną kadratoą funkcją dyskrymnującą można reprezentoać jako n-ymaroą poerzchnę kadratoą : g T A T b c gdze macerz A a j, ektor b b, b,, b n T c, zależą od ag, j, z rónana Jeżel A jest dodatno określona to funkcja dyskrymnująca jest hperelpsodą z osam skeroanym kerunkach zgodnych z ektoram łasnym macerzy A W szczególnośc: jeżel A I n macerz jednostkoa, to funkcja dyskrymnująca jest n-ymaroą hpersferą

8 Jeżel A jest ujemne określona, to funkcja dyskrymnująca opsuje hperhperbolodę Wnosek: macerz A pełn determnuje kształt charakterystykę funkcj dyskrymnującej

Przykładoy problem: Rozażmy -ymaroą przestrzeń funkcję dyskrymnującą postac elomanu trzecego rzędu 9. Ile elementó zaera yrażene reprezentujące funkcję dyskrymnującą jeżel tylko sześcenna lnoa funkcja chodzą skład yrażena?. Przedsta ogólne yrażene opsujące funkcję dyskrymnującą postac elomany -tego rzędu dla -ymaroej przestrzen obrazó. Nech R będze orygnalną przestrzeną obrazó a funkcja dyskrymnująca zązana z klasam ω ω ma postać: g dla której g > 0 jeżel ω g < 0 jeżel ω a Zapsz g jako g T A T b c b Wyznacz klasy następujących obrazó:,,,,0,0, 0,/,0

0 Macerze dodatno określone. Kadratoa macerz A jest dodatno określona jeżel T A>0 dla szystkch nezeroych ektoró kolumnoych.. Kadratoa macerz A jest ujemne określona jeżel T A < 0 dla szystkch nezeroych.. Kadratoa macerz A jest dodatno pół-określona jeżel T A 0.. Kadratoa macerz A jest ujemne pół-określona jeżel T A 0 dla szystkch. Poyższe arunk trudno jest spradzać bezpośredno na podstae defncj. W praktyce potrzebne są arunk mnej ymagające oblczenoo.

Bardzej przydatne praktyce są następujące łasnośc, zachodzące óczas gdy macerz A jest symetryczna. -ty mnor głóny macerzy A to macerz A utorzona z perszych erszy kolumn macerzy A. Np., perszy głóny mnor macerzy A jest macerzą A a, drug mnor głóny jest macerzą: A a a a a tak dalej

Macerz A jest dodatno określona jeżel szystke jej głóne mnory A, A,, A n mają yznacznk ększe od zera Jeżel te yznacznk są nezeroe a znak kolejnych yznacznkó mają przecne znak, począszy od deta <0, to macerz A jest ujemne określona Jeżel szystke te yznacznk są neujemne, to macerz jest dodatno pół-określona Jeżel znak kolejnych yznacznkó mają przecne znak, począszy od deta 0, to macerz jest ujemne pół-określona

Dla przykładu, rozażmy macerz symetryczną o ymarach : A a a a a Macerz jest dodatno określona, jeżel: a deta a > 0 b deta a a a a > 0 Macerz jest ujemne określona, jeżel: a deta a < 0 b deta a a a a > 0 Macerz jest dodatno pół-określona, jeżel: a deta a 0 b deta a a a a 0 Macerz jest ujemne pół-określona, jeżel: a deta a 0 b deta a a a a 0.

Ćczene : Spradź, czy ponższe macerze są dodatno-, ujemne- określone, dodatno-, ujemne- pół-określone lub ne należą do żadnej z tych grup. 8 A A A A d c b a

Rozązana ćczena : 5 A >0 A 8 7 >0 postve defnte A - A - 8 6 0 A - A 8 >0 A >0 A 6 6-0 <0 A jest dodatno określona A jest ujemne pół-określona A jest ujemne określona A ne należy do żadnej z grup

Ćczene : 6 Nech A. Wyznacz grance obszaró decyzyjnych odpoadających macerzy A g T A T b c przypadku, gdy b T, c -. Roząż deta-λi 0 określ kształt charakterystykę grancy obszaró decyzyjnych oddzelających de klasy ω ω. Przypsz klasy następującym punktom: T 0, - T,

Rozązane ćczena :.. Ostatne rónane opsuje lnę prostą spółlnoą z ektorem:,,, g 0 0 0 otrzymujemy 0 oraz Dla - - :, -λ - λ T V, 7

Dla λ oraz -λλ -λ 0, otrzymujemy: 8 0 0 0 Ostatne rónane opsuje lnę prostą spółlnoą z ektorem: V, Elpsa będąca grancą obszaró decyzyjnych ma de ose spółlnoe odpoedno z ektoram V V T. X 0, - T g0, - - < 0 ω X, T g, 8 > 0 ω