Fisher准则例题——给定类内散度矩阵和类样本均值

设有两类样本,两类样本的类内散度矩阵分别为

S 1 = ( 1 1 / 2 1 / 2 1 ) , S 2 = ( 1 − 1 / 2 − 1 / 2 1 ) S_1 = \begin{pmatrix} 1 & 1/2 \\ 1/2 & 1 \end{pmatrix}, \quad S_2 = \begin{pmatrix} 1 & -1/2 \\ -1/2 & 1 \end{pmatrix} S1=(11/21/21),S2=(1−1/2−1/21)

各类样本均值分别为

μ 1 = ( 2 , 0 ) ⊤ 和 μ 2 = ( 2 , 2 ) ⊤ \mu_1 = (2, 0)^\top \text{ 和 } \mu_2 = (2, 2)^\top μ1=(2,0)⊤ 和 μ2=(2,2)⊤

利用 Fisher 准则求其决策面方程(假定分类阈值点为均值),并求新样本 ( 1 , 1 ) ⊤ (1, 1)^\top (1,1)⊤ 属于哪类?


解:

S w = S 1 + S 2 = ( 2 0 0 2 ) S_{\bm w} = S_1 + S_2 = \begin{pmatrix} 2 & 0 \\ 0 & 2 \end{pmatrix} Sw=S1+S2=(2002)

S w − 1 = ( 1 / 2 0 0 1 / 2 ) S_{\bm w}^{-1} = \begin{pmatrix} 1/2 & 0 \\ 0 & 1/2 \end{pmatrix} Sw−1=(1/2001/2)

w = S w − 1 ( μ 1 − μ 2 ) = ( 0 , − 1 ) ⊤ {\bm w} = S_{\bm w}^{-1} (\mu_1 - \mu_2) = (0, -1)^\top w=Sw−1(μ1−μ2)=(0,−1)⊤

y 0 ∗ = w ⊤ μ 1 + μ 2 2 = ( 0 , − 1 ) ( 2 , 1 ) ⊤ = − 1 y_0^* = {\bm w}^\top \frac{\mu_1 + \mu_2}{2} = (0, -1)(2, 1)^\top = -1 y0∗=w⊤2μ1+μ2=(0,−1)(2,1)⊤=−1

w ⊤ ( 1 , 1 ) ⊤ = − 1 = y 0 ∗ {\bm w}^\top (1, 1)^\top = -1 = y_0^* w⊤(1,1)⊤=−1=y0∗

相关推荐
蓝婷儿17 分钟前
Python 机器学习核心入门与实战进阶 Day 3 - 决策树 & 随机森林模型实战
人工智能·python·机器学习
大千AI助手19 分钟前
PageRank:互联网的马尔可夫链平衡态
人工智能·机器学习·贝叶斯·mc·pagerank·条件概率·马尔科夫链
我就是全世界1 小时前
TensorRT-LLM:大模型推理加速的核心技术与实践优势
人工智能·机器学习·性能优化·大模型·tensorrt-llm
.30-06Springfield1 小时前
决策树(Decision tree)算法详解(ID3、C4.5、CART)
人工智能·python·算法·决策树·机器学习
acstdm8 小时前
DAY 48 CBAM注意力
人工智能·深度学习·机器学习
摸爬滚打李上进9 小时前
重生学AI第十六集:线性层nn.Linear
人工智能·pytorch·python·神经网络·机器学习
asyxchenchong8889 小时前
ChatGPT、DeepSeek等大语言模型助力高效办公、论文与项目撰写、数据分析、机器学习与深度学习建模
机器学习·语言模型·chatgpt
BFT白芙堂11 小时前
睿尔曼系列机器人——以创新驱动未来,重塑智能协作新生态(上)
人工智能·机器学习·机器人·协作机器人·复合机器人·睿尔曼机器人
羊小猪~~12 小时前
【NLP入门系列五】中文文本分类案例
人工智能·深度学习·考研·机器学习·自然语言处理·分类·数据挖掘
李师兄说大模型12 小时前
KDD 2025 | 地理定位中的群体智能:一个多智能体大型视觉语言模型协同框架
人工智能·深度学习·机器学习·语言模型·自然语言处理·大模型·deepseek