需知
所有问题定义在分类问题下，基于贝叶斯决策
定义
条件概率为多元高斯分布，此时观测为向量
X
=
X
1
,
X
2
,
.
.
.
,
X
n
X={X_1,X_2,...,X_n}
X=X1,X2,...,Xn，通过极大后验展开可以得到最优决策函数：
决策函数可以写为：
d
d
d就是马氏距离，代表两个高斯分布之间的距离。而
α
\alpha
α则代表了类别的先验。
特殊情况（方差一致）
方差一致的话分类器就是线性的。
文章来源：https://www.toymoban.com/news/detail-721346.html
Sigmoid
使用原始的BDR定义可以推导出，每个类别的概率概率为sigmoid函数（原始定义考虑观测的边缘概率，所以计算的就是概率（概率和为1），所以为sigmoid函数。而在决策时不考虑边缘概率，约掉了归一化参数，其实两者的判决边界仍然是相同的）
协方差一致有唯一分界线：
协方差不一致有两个分界线：
文章来源地址https://www.toymoban.com/news/detail-721346.html
到了这里，关于模式识别——高斯分类器的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
