Treść książki
Przejdź do opcji czytnikaPrzejdź do nawigacjiPrzejdź do informacjiPrzejdź do stopki
Kryteriummaksymalnegoprawdopodobieństwa
KlasyfikatorBayesasprawdzasięwprzypadkupełnejinformacji
probabilistycznej.Niestetysytuacja,wktórejdostępnajestpełnaznajomość
prawdopodobieństwaaprioriwystępujeniezmiernierzadko.Dlategoprzy
doborzeklasyfikatoranależyrozpatrzyćszczególnyprzypadekklasyfikatora
Bayesa,wktórymminimalizujesięryzykowarunkoweiwprowadzazero-
jedynkowąfunkcjęstraty.Dziękitemuuzyskujemyzasadęmaksymalnego
prawdopodobieństwa.
Jednak
w
tym
przypadku,
do
oszacowania
prawdopodobieństwniezbędnyjestzbióruczący[Pool2010].Kryterium
maksymalnegoprawdopodobieństwamazastosowaniewsystemach
parametrycznychijestwykorzystywanedoestymacjiparametrów.
2.3Problemwymiarowościwstatystycznychmetodach
rozpoznawaniawzorców
Zaprezentowanepowyżejmetodyklasyfikacjiwzorcówmogąbyć
stosowanewprostychzadaniachrozpoznawaniaobrazów.Wprzypadku
projektowanialubkonstruowaniazaawansowanychsystemówrozpoznawania
obrazówkoniecznejeststosowaniebardziejwyrafinowanychmetod.Jednymi
zpopularniejszychmetodstatystycznychwykorzystywanychdobudowy
systemówrozpoznawaniawzorcówsąukrytemodeleMarkowa(ang.Hidden
MarkovModels)imetodyopartenaanaliziekomponentówgłównych(ang.
PrincipalComponentAnalysis,PCA).Wobumetodachwzorcenawejściu
systemusąwpostacidwuwymiarowej,natomiastklasyfikatorrozpoznania
pracujezdanymijednowymiarowymi.Dodatkowoetapekstrakcjicech
wzorcamożepowodowaćwzrostwymiarowościdanychreprezentujących
wzorzec,zależnieodprzyjętejprzestrzenicech.Wydajnośćklasyfikatora
zależyodrelacjipomiędzywielkościąpróbek,liczbąfunkcjiizłożoności
klasyfikatora.Prostatechnikapolegającanapodzialeprzestrzenicechna
komórkiiprzypisaniuetykietklasdokażdejznich,wymagadużejliczby
danychtreningowych,którajestfunkcjąwykładniczązależnąodwymiaru
przestrzenicech[Bis1995].Zjawiskotojestokreślanejakoprzekleństwo
wymiarowości,któreprowadzidozjawiskawyostrzaniawkonstrukcji
klasyfikatora.Prawdopodobieństwobłęduklasyfikacjiregułydecyzyjnejnie
ulegazwiększeniuwrazzewzrostemliczbycech,takdługo,jakznanesą
całkowitewarunkowegęstościcechlubliczbapróbekuczącychjest
wystarczającodużaireprezentatywnadlapodstawowychgęstości.Jednakw
praktycestwierdzono,żenadmiernedodawaniecechmożeobniżaćwydajność
klasyfikatora,jeżeliliczbapróbekszkoleniowychstosowanychdo
18
