当前位置:首页 » 《随便一记》 » 正文

【贝叶斯决策理论】--- 基于两类问题的分析_linjing_zyq的博客

11 人参与  2021年12月21日 13:08  分类 : 《随便一记》  评论

点击全文阅读


【贝叶斯决策理论】— 基于两类问题的决策分析

jupyter lab上实现:

导包

import numpy as np
from numpy.linalg import cholesky
import matplotlib.pyplot as plt

设置随机样本数

sampleNo = 40;

第一类

# w1
mu = np.array([[2, 2]])
Sigma = np.array([[2, 0], [0, 2]])
R = cholesky(Sigma)
s = np.dot(np.random.randn(sampleNo, 2), R) + mu
plt.plot(s[:,0],s[:,1],'r+')
plt.title('$w_1$')
plt.show()

图示

第二类

# w2
mu = np.array([[4, 4]])
Sigma = np.array([[1, 0], [0, 1]])
R = cholesky(Sigma)
s = np.dot(np.random.randn(sampleNo, 2), R) + mu
plt.plot(s[:,0],s[:,1],'r+')
plt.title('$w_2$')
plt.show()

图示

两类判别函数的一般式:
g i ( x ) = − 1 2 σ i 2 ( x 1 2 + x 2 2 ) + 1 σ i 2 ( μ i 1 x 1 + μ i 2 x 2 ) − 1 2 σ i 2 ( μ i 1 2 + μ i 2 2 ) + ln ⁡ P ( w i ) − d 2 ln ⁡ 2 π − 1 2 ln ⁡ ∣ Σ i ∣ g_i(x)=-\frac{1}{2 \sigma_i^2} (x_1^2+x_2^2) + \frac{1}{\sigma_i^2} (\mu_{i1} x_1 + \mu_{i2} x_2) - \frac{1}{2 \sigma_i^2} (\mu_{i1}^2+\mu_{i2}^2) + \ln P(w_i) -\frac{d}{2} \ln 2\pi-\frac{1}{2} \ln |\Sigma_i| gi(x)=2σi21(x12+x22)+σi21(μi1x1+μi2x2)2σi21(μi12+μi22)+lnP(wi)2dln2π21lnΣi
说明:
σ 1 2 = 2 , σ 2 2 = 1 μ 1 = [ 2 , 2 ] T , μ 2 = [ 4 , 4 ] T P ( w 1 ) = P ( w 2 ) = 1 2 d = 2 ∣ Σ 1 ∣ = 4 , ∣ Σ 2 ∣ = 1 \sigma_1^2=2,\sigma_2^2=1 \\ \mu_1=[2,2]^T,\mu_2=[4,4]^T \\ P(w_1)=P(w_2)=\frac{1}{2} \\ d=2 \\ |\Sigma_1|=4,|\Sigma_2|=1 σ12=2,σ22=1μ1=[2,2]T,μ2=[4,4]TP(w1)=P(w2)=21d=2Σ1=4,Σ2=1
g 1 ( x ) g_1(x) g1(x)
g 1 ( x ) = − 1 4 ( x 1 2 + x 2 2 ) + x 1 + x 2 − 2 − 2 ln ⁡ 2 − ln ⁡ 2 π g_1(x)=-\frac{1}{4} (x_1^2+x_2^2) + x_1 + x_2 - 2 - 2\ln 2 - \ln 2 \pi g1(x)=41(x12+x22)+x1+x222ln2ln2π
g 2 ( x ) g_2(x) g2(x)
g 1 ( x ) = − 1 2 ( x 1 2 + x 2 2 ) + 4 x 1 + 4 x 2 − 8 − ln ⁡ 2 − ln ⁡ 2 π g_1(x)=-\frac{1}{2} (x_1^2+x_2^2) + 4x_1 + 4x_2 - 8 - \ln 2 - \ln 2 \pi g1(x)=21(x12+x22)+4x1+4x28ln2ln2π
g 1 ( x ) − g 2 ( x ) g_1(x)-g_2(x) g1(x)g2(x)
g 1 ( x ) − g 2 ( x ) = 1 4 ( x 1 2 + x 2 2 ) − 3 x 1 − 3 x 2 + 6 − ln ⁡ 2 g_1(x)-g_2(x)=\frac{1}{4} (x_1^2+x_2^2) - 3x_1 - 3x_2 + 6 - \ln 2 g1(x)g2(x)=41(x12+x22)3x13x2+6ln2
判别界面的方程:
1 4 ( x 1 2 + x 2 2 ) − 3 x 1 − 3 x 2 + 6 − ln ⁡ 2 = 0 \frac{1}{4} (x_1^2+x_2^2) - 3x_1 - 3x_2 + 6 - \ln 2 = 0 41(x12+x22)3x13x2+6ln2=0
判别界面图像绘制代码

from sympy.parsing.sympy_parser import parse_expr
from sympy import plot_implicit
ezplot = lambda exper: plot_implicit(parse_expr(exper)) # 用了匿名函数
expression='0.25*(x**2+y**2)-3*x-3*y+6-log(2)' 
ezplot(expression); # 能描绘大致的图像

图示:

曲线下方为 w 1 w_1 w1,曲线上方为 w 2 w_2 w2

第一类

sampleNo = 50; % 随机样本数
mu = np.array([[0, 0, 0]])
Sigma = np.array([[0.3, 0, 0], [0, 0.3, 0],[0, 0, 0.3]])
R = cholesky(Sigma)
s = np.dot(np.random.randn(sampleNo, 3), R) + mu
x, y, z = s[:,0],s[:,1],s[:,2]
ax = plt.subplot(111, projection='3d')  # 创建一个三维的绘图工程
ax.scatter(x, y, z, c='r')
plt.title('$w_1$')
ax.set_zlabel('Z')
ax.set_ylabel('Y')
ax.set_xlabel('X')
plt.show()

图示

第二类

sampleNo = 50;
mu = np.array([[0.5, 0.5, 0.5]])
Sigma = np.array([[0.3, 0.1, 0.1], [0.1, 0.3, -0.1],[0.1, -0.1, 0.3]])
R = cholesky(Sigma)
s = np.dot(np.random.randn(sampleNo, 3), R) + mu
x, y, z = s[:,0],s[:,1],s[:,2]
ax = plt.subplot(111, projection='3d')  # 创建一个三维的绘图工程
ax.scatter(x, y, z, c='r')
plt.title('$w_2$')
ax.set_zlabel('Z')
ax.set_ylabel('Y')
ax.set_xlabel('X')
plt.show()

图示

判别函数一般式
g i ( x ) = − 1 2 x T Σ i − 1 x + 1 2 x T Σ i − 1 μ i − 1 2 μ i T Σ i − 1 μ i + 1 2 μ i T Σ i − 1 x + ln ⁡ P ( w i ) − ( d / 2 ) ln ⁡ 2 π − ( 1 / 2 ) ln ⁡ ∣ Σ i ∣ g_i(x)=-\frac{1}{2} x^T \Sigma_i^{-1} x+\frac{1}{2} x^T \Sigma_i^{-1} \mu_i - \frac{1}{2} \mu_i^T \Sigma_i^{-1} \mu_i + \frac{1}{2} \mu_i^T \Sigma_i^{-1} x + \ln P(w_i) -(d/2)\ln 2\pi-(1/2) \ln |\Sigma_i| gi(x)=21xTΣi1x+21xTΣi1μi21μiTΣi1μi+21μiTΣi1x+lnP(wi)(d/2)ln2π(1/2)lnΣi
g 1 ( x ) g_1(x) g1(x)
g 1 ( x ) = − 5 3 ( x 1 2 + x 2 2 + x 3 2 ) − ln ⁡ 2 − 3 2 ln ⁡ 2 π + 1.8060 g_1(x)=-\frac{5}{3} (x_1^2+x_2^2+x_3^2) - \ln 2 -\frac{3}{2} \ln 2\pi+1.8060 g1(x)=35(x12+x22+x32)ln223ln2π+1.8060
g 2 ( x ) g_2(x) g2(x)
g 2 ( x ) = 0.3 ( x 1 2 + x 2 2 + x 3 2 ) + 0.2 ( x 1 x 2 + x 1 x 3 − x 2 x 3 ) − 0.5 x 1 − 0.3 x 2 − 0.3 x 3 − ln ⁡ 2 − 3 2 ln ⁡ 2 π + 2.0676 g_2(x)=0.3(x_1^2+x_2^2+x_3^2)+0.2(x_1x_2+x_1x_3-x_2x_3)-0.5x_1-0.3x_2-0.3x_3- \ln 2 -\frac{3}{2} \ln 2\pi +2.0676 g2(x)=0.3(x12+x22+x32)+0.2(x1x2+x1x3x2x3)0.5x10.3x20.3x3ln223ln2π+2.0676
g 1 ( x ) − g 2 ( x ) g_1(x)-g_2(x) g1(x)g2(x)
g 1 ( x ) − g 2 ( x ) = − 59 30 ( x 1 2 + x 2 2 + x 3 2 ) − 0.2 ( x 1 x 2 + x 1 x 3 − x 2 x 3 ) + 0.5 x 1 + 0.3 x 2 + 0.3 x 3 − 0.2616 g_1(x)-g_2(x)=-\frac{59}{30}(x_1^2+x_2^2+x_3^2)-0.2(x_1x_2+x_1x_3-x_2x_3) +0.5x_1+0.3x_2+0.3x_3 -0.2616 g1(x)g2(x)=3059(x12+x22+x32)0.2(x1x2+x1x3x2x3)+0.5x1+0.3x2+0.3x30.2616
决策面方程
− 59 30 ( x 1 2 + x 2 2 + x 3 2 ) − 0.2 ( x 1 x 2 + x 1 x 3 − x 2 x 3 ) + 0.5 x 1 + 0.3 x 2 + 0.3 x 3 − 0.2616 = 0 -\frac{59}{30}(x_1^2+x_2^2+x_3^2)-0.2(x_1x_2+x_1x_3-x_2x_3) +0.5x_1+0.3x_2+0.3x_3 -0.2616=0 3059(x12+x22+x32)0.2(x1x2+x1x3x2x3)+0.5x1+0.3x2+0.3x30.2616=0


点击全文阅读


本文链接:http://m.zhangshiyu.com/post/31851.html

图示  判别  函数  
<< 上一篇 下一篇 >>

  • 评论(0)
  • 赞助本站

◎欢迎参与讨论,请在这里发表您的看法、交流您的观点。

最新文章

  • 京圈佛子破戒后,我改嫁京圈纨绔(沈墨渊,白晶晶)
  • 前世被闺蜜害死,重生后我让她从太子妃变疯女苏婉儿,清歌完本_前世被闺蜜害死,重生后我让她从太子妃变疯女(苏婉儿,清歌)
  • 全书浏览七零军嫂太彪悍,带三宝上军区离婚(沈清落,陈桂花,陆有为)_七零军嫂太彪悍,带三宝上军区离婚(沈清落,陈桂花,陆有为)全书结局
  • 今天也没变成昨天(周扬陈默)全书免费_(周扬陈默)今天也没变成昨天后续(周扬陈默)
  • 重生后,秦总非要父以子贵(许沐晴,秦越泽)全书浏览_重生后,秦总非要父以子贵全书浏览
  • 他嫌弃我喝两块钱豆浆上不了台面,我结婚后他又哭又闹全书万照,白青青在线
  • 昭然若梦前尘烬列表_昭然若梦前尘烬(温昭然方池雲)
  • 导师借我股票账号,我倒欠五十万(孟潇潇,宁薇)_导师借我股票账号,我倒欠五十万孟潇潇,宁薇
  • 拒绝把外卖券给舍友,竹马送我到迪拜捡垃圾(周钰泽,蒋清清,思源)全书浏览_拒绝把外卖券给舍友,竹马送我到迪拜捡垃圾全书浏览
  • 我的人生,你已出局(程森凌古楚文)_我的人生,你已出局程森凌古楚文
  • 穿书成病娇女配,睁眼就签下离婚协议书(朱楼)_穿书成病娇女配,睁眼就签下离婚协议书
  • 老婆逼我给白月光捐肾,我死后她悔疯了(宋逸晨沈墨白)全书浏览_老婆逼我给白月光捐肾,我死后她悔疯了全书浏览

    关于我们 | 我要投稿 | 免责申明

    Copyright © 2020-2022 ZhangShiYu.com Rights Reserved.豫ICP备2022013469号-1