Cтраница 1
Оценка вероятности ошибки, когда классификатор заранее не задан. Когда даны N объектов в случае отсутствия классификатора, то можно использовать эти объекты как для проектирования классификатора, так и для проверки его качества. Очевидно, оцениваемая вероятность ошибки зависит от данных распределений и используемого классификатора. [1]
Получить оценку эквивалентной вероятности ошибки на бит Рь существенно более сложно. В общем, если произошла ошибка в блоке, некоторые из k информационных бит в блоке будут приняты без ошибки, а некоторые останутся с ошибкой. [2]
При оценке вероятности ошибки рассматривают две задачи. Первая задача заключается в оценивании вероятности ошибки по имеющейся выборке в предположении, что задан классификатор. Эта задача является простой и будет рассмотрена в начале этого параграфа. [3]
Вторая задача заключается в оценке вероятности ошибки при заданных распределениях. Для этой задачи вероятность ошибки зависит как от используемого классификатора, так и от вида распределений. [4]
Другим важным вопросом в распознавании образов являются оценка вероятности ошибок решения, отношения правдоподобия, собственных значений и собственных векторов. Поскольку вероятности ошибок и отношение правдоподобия представляют собой сложные функции относительно параметров, непосредственное применение для них стандартных методов оценивания не дает приемлемых результатов. В этой главе будут рассмотрены методы оценивания этих величин по имеющимся выборочным данным. Оценивание собственных значений и собственных векторов в большей степени относится к задачам выбора признаков и поэтому будет рассмотрено в гл. [5]
Цель АНЧ - изучение системы человек - машина и оценка вероятности ошибки человека. [6]
Используя большие гамакообразные схемы ( см. в приложении об оценках вероятностей ошибок), можно решить нашу задачу более точно. В частности, гамакоэбразная схема десять-на-десять дает вероятность ошибки, меньшую чем 2 - 10 - 19, при увеличении числа контактов в 100 раз; схема одиннадцать-на-одиннадцать дает 2 2 - 10 21 при увеличении в 121 раз. [7]
Его метод годится для любых плотностей вероятности, но при весьма жестких ограничениях на вид оценки вероятности ошибки. [8]
Одновременно, как уже отмечалось, в работах [9, 21] предложена весьма непростая и трудоемкая процедура оценки вероятностей ошибок I и II родов. Аргументировано это повышением точности вычислений вероятностей. [9]
Очевидно, что при отсутствии распределений вероятностей ошибок элементарных операций и при - неавтоматическом поиске для оценки вероятностей ошибок необходимы экспериментальные данные. [10]
Проверку по критерию производят для каждого из N N2 объектов, и число неправильно классифицированных объектов принимают в качестве оценки вероятности ошибки. [11]
Величину s8KCn из (5.155) следует сравнить с величиной sTeoP, которая характеризует влияние числа объектов в экзаменациовпой выборке на оценку вероятности ошибки. [12]
Величину saitcn из (5.155) следует сравнить с величиной sTeoP, которая характеризует влияние числа объектов в экзаменациовпой выборке на оценку вероятности ошибки. [13]
Для того чтобы разбить имеющиеся объекты на обучающую и экзаменационную выборки), изучим, как это разбиение влияет на дисперсию оценки вероятности ошибки. [14]
Для того чтобы разбить имеющиеся объекты на обучающую и экзаменационную выборки), изучим, как это разбиение влияет на дисперсию оценки вероятности ошибки. [15]