北京邮电大学模式识别课件:训练线性分类器的迭代过程

需积分: 0 0 下载量 187 浏览量 更新于2024-08-17 收藏 308KB PPT 举报
本资源主要介绍了W的训练过程,针对模式识别中的分类器设计,特别是线性分类器的设计方法。在模式识别导论的第三章中,学习者被引导理解如何通过监督学习的方式,利用有限的学习样本来确定分类器的权向量,也就是权值向量W。这个过程涉及到线性判别函数g(x)=WTX,其中X是特征向量,W是待求解的权值向量。 训练步骤涉及以下几个关键点: 1. **线性可分性前提**:首先,分类问题必须是线性可分的,即样本能用一个超平面(由W定义的直线或超平面)清晰地分割到不同的类别区域,如示例中提到的ω1和ω2。 2. **迭代调整**:从零初始权向量w1开始,通过不断调整,如先将x1和x3相加得到矢量2,然后基于这个新矢量确定一个超平面H,使得原本错误分类的点(如x3)移动到正确区域。这个过程重复进行,每次将当前分类错误的点与前一步得到的矢量相加,形成新的矢量,直到找到一个能在给定的样本集内正确分类所有点的权向量。 3. **线性方程组求解**:对于多类别的二元分类问题,如Xa、Xb属于ω1,Xc、Xd属于ω2,通过构建线性不等式方程组,如①②③④所示,来求解权值向量W1、W2和W3。这些方程表示每个类别的样本点与权向量的乘积应满足特定的关系,通过求解这个方程组找到权值。 4. **规范化**:为了确保求解的稳定性,通常会对某些方程进行规范化处理,如将③④式的负号项转换,以便形成一个更标准的形式。 5. **矩阵表示**:整个训练过程可以用矩阵形式表示,其中样本数量N乘以特征数n+1的矩阵N*(n+1),这有助于高效计算和理解问题的结构。 6. **非单值性**:需要注意的是,即使在线性可分情况下,求解得到的权向量可能不是唯一的,因为可能存在多个超平面能够完美分割数据,这就需要根据实际需求选择合适的权向量。 总结来说,这个资源详细讲解了线性分类器设计的数学原理和实践步骤,展示了如何通过迭代调整和方程求解来构建分类器,是理解和掌握模式识别中分类器训练的基础内容。