本系列为《模式识别与机器学习》的读书笔记
分类的?标是将输?变量 Ck? 中的某?类。 最常见的情况是 类别互相不相交,
因此每个输?被分到唯?的?个类别中因此输?空间被划分为不同的决策区域(decision
分类线性模型是指决策?是输?向量函数 x 的线性函数,因此被定义为
在线性回归模型中,使??线性函数 w 的线性函数进?变换即
),?咜的反函数在统计学的?献中被称为链接函数(
link function
)决策?对应于
如图4.1,?维线性判别函数嘚?何表?决策?(红?)垂直于
线性判别函数的朂简单的形式是输?向量函数的线性函数,即
bias
)偏置的相反数有时被称为阈值(threshold
)。
xB? 两个点都位于决策?上。 由于
x 到决策?的垂直距离
考虑把线性判别函数推?到
K?1 个分类器,每个分类器?来解决?个?分类问题把属于类别 one-versus-the-rest
)分类器此方法的缺点在于产?了输?空间中?法分类的区域。
2K(K?1)? 个?元判别函数 对每?對类别都设置?个判别函数。
这被称为“1对1”(one-versus-one
)分类器每个点的类别根据这些判别函数中的?多数输出类别确定,但是这也会造成輸?空间中的?法分类的区域。
如图4.2尝试从?组两类的判别准则中构建出?个
如图4.3多类判别函数的决策区域的说明, 决策边界?红?表?
Ck? 由??的线性模型描述即公式(4.7),其中
现在通過最?化平?和误差函数来确定参数矩阵
logistic
回归模型给出的决策边界(绿?曲线);右图给出了当额外的数据点被添加到左图嘚底部之后得到的结果,这表明最?平??法对于异常点很敏感这与logistic
回归不同。