Bir maliyet matrisi için
L=[010.50]c1c2predictionc1c2truth
sınıf tahmin kaybı gerçek sınıfı olduğunda C 2 olan L 12 = 0.5 ve sınıf tahmin maliyeti c 2 gerçek sınıfı olduğunda C 1 olan L 21 = 1 . Doğru tahminler için maliyet yoktur, L 11 = L 22 = 0 . Herhangi bir k sınıfını tahmin etmek için koşullu risk R ,c1c2L12=0.5c2c1L21=1L11= L22= 0R,k
Referansiçin sayfa 15'tekibunotlarabakın.
R ( c1| x)R ( c2| x)= L11Pr ( c1| x)+ L12Pr ( c2| x)= L12Pr ( c2| x)= L22Pr ( c2| x)+ L21Pr ( c1| x)= L21Pr ( c1| x)
Riski / kaybı en aza indirgemek için , bunu yapma hatasından kaynaklanan maliyetin olduğunu tahmin edersiniz (bu, yanlış tahmin süresinin, tahminin yanlış olma olasılığının posterior olasılığının azalması L 12 Pr ( c 2 | x ) ) daha küçüktür alternatifi yanlış tahmin etmenin maliyetinden,c1L12Pr ( c2| x)
burada ikinci satır Bayes kuralıPr(c2|x)∝Pr(x|c2)Pr(c2) kullanır. Eşit önceki olasılıklar verildiğindePr(c1)=Pr(c2)=0,5alırsınız
1
L12Pr ( c2| x)L12Pr ( x | c2) Pr ( c2)L12Pr ( c2)L21Pr ( c1)< L21Pr ( c1| x)< L21Pr ( x| c1)Pr ( c1)< Pr ( x | c1)Pr ( x |c2)
Pr ( c2| x)∝Pr(x | c2) Pr ( c2)Pr ( c1) = Pr ( c2) = 0,512< Pr ( x | c1)Pr ( x | c2)
böylece gibi bir gözlem sınıflandırmak için tercih olasılık oranı bu eşiği aşar. Şimdi, olasılık oranları veya x niteliği açısından "en iyi eşiği" bilmek isteyip istemediğiniz açık değil . Cevap maliyet fonksiyonuna göre değişir. Gaussian'ın σ 1 = σ 2 = σ ve μ 1 = 0 , μ 2 = 1 ,
1 ile eşitsizlikte kullanılmasıc1xσ1= σ2= σμ1= 0μ2= 1
açısından bir tahmin eşik böylecexfalse tahminlerin kayıpları aynı ise, sadece, yani elde edilebilir için arama gibiL12=L21sadece o zaman olabileceği içinlog(L12
12günlük( 12)günlük( 12)xσ2x< 12 π√σtecrübe[ - 12 σ2( x - μ1)2]12 π√σtecrübe[ - 12 σ2( x - μ2)2]< günlük( 12 π--√σ) - 12 σ2( x - 0 )2- [ günlük( 12 π--√σ) - 12 σ2( x - 1 )2]< - x22 σ2+ x22 σ2- 2 x2 σ2+ 12 σ2< 12 σ2- log(12)<12- log(12) σ2
xL12= L21ve
x0<1elde edersiniz
günlük( L12L21) = günlük( 1 ) = 0 .
x0<12