Оптимальное решающее правило

Cтраница 1

Оптимальное решающее правило х задачи первого этапа вычисляется, например, по методу стохастических градиентов. [1]

Оптимальное решающее правило минимизации среднего риска называется правилом Байеса. [2]

Оптимальным решающим правилом называется правило, приводящее к наименьшему возможному в данной задаче риску. [3]

Построение оптимального решающего правила Бейса производится в предположении задания априорных сведений о диагностируемых состояниях ( классах состояний), стоимости штрафов за неправильную диагностику, стоимости эксперимента. [4]

Структура этого оптимального решающего правила сохраняется и для задачи различения гипотез в ус-ловноэкстремаль н о и постановке, состоящей в следующем. [5]

Однако задача отыскания оптимального решающего правила значительно усложняется, если класс возможных решающих правил F ( к, а) ограничен. [6]

Выражение среднего риска для оптимального решающего правила ( 1) - ( 3) достаточно сложно. Значительное упрощение достигается в предположении, что вторая дробь в ( 1) ( апостериорная вероятность Pt наличия центра) равна единице в пределах группы и нулю в каналах, никакой группе не принадлежащих. Для этого, очевидно, требуется, чтобы pN 1, а р не было бы малым. [7]

Итак, мы должны найти оптимальное решающее правило, которое соответствует заданным условным распределениям. [8]

Линейно-модульная и квадратичная функции стоимости ошибок. [9]

Определим по минимуму средних потерь оптимальное решающее правило, разделяющее соседние интервалы Xj-i и Xj в пространстве наблюдений. [10]

При этом допущении следует в оптимальных решающих правилах (4.1) - (4.2) задали заменить обратные матрицы А 1 псевдообратными А. [11]

Примеры, показывающие, как это оптимальное решающее правило может быть определено в частных случаях, представлены в § 24.6. Эти примеры также иллюстрируют, как структура оптимальной системы определяется решающим правилом. [12]

Если бы оказалось, что вид оптимального решающего правила совершенно изменяется даже при незначительном изменении функции потерь, а величина байесо-ва или минимаксного риока - пр и незначительном изменении решающего правила, то оптимизация совершенно утратила бы свой смысл. Однако многочисленные результаты приложения теории решений, относящиеся к различным практическим задачам, убеждают в существовании скорее обратной закономерности. Достаточно общие результаты такого рода в теории решений, к сожалению, отсутствуют. [13]

Задача обучения распознаванию образов заключается в построении оптимального решающего правила R из некоторого априорно выбранного класса функций, определяющего структуру решающего правила. Если структура выбрана удачно, то в результате обучения возможно построить хорошее решающее правило. [14]

Таким образом, можно не строить систему с оптимальным решающим правилом, а ввести в систему процесс обучения, позволяющий системе самой выбирать нужное решение. [15]

Страницы: 1 2