Побудова класифікаторів на основі ядерних оцінок щільності з використанням апостеріорних ймовірностей конкуруючих множин

Abstract

Запропоновано пiдхiд до побудови класифiкаторiв на основi ядерних оцiнок щiльностi для розв’язання задач розпiзнавання образiв. Пiдхiд грунтується на використаннi апостерiорної ймовiрностi та роздiлової мiри типу π-значення для ефективного роздiлення конкуруючих множин. Для кожної оцiнки щiльностi класу застосовано сiмейство оцiнок щiльностi для кожної множини в широкому дiапазонi смуг пропускання. Запропоновано та адаптовано процедуру об’єднання результатiв класифiкацiї на рiзних рiвнях згладжування, що забезпечило гнучке використання рiзних смуг пропускання для рiзних пар конкуруючих класiв. Статистичнi невизначеностi обчислено на основi приблизно оцiнених ймовiрностей помилкової класифiкацiї.

Предложен подход к построению классификаторов на основе ядерных оценок плотности для решения задач распознавания образов. Подход основан на использовании апостериорной вероятности и разделительной меры типа π-значение для эффективного разделения конкурирующих множеств. Для каждой оценки плотности класса применено семейство оценок плотности для каждого множества в широком диапазоне полос пропускания. Предложена и адаптирована процедура объединения результатов классификации на разных уровнях сглаживания, что обеспечило гибкое использование различных полос пропускания для различных пар конкурирующих классов. Статистические неопределенности вычислены на основе приближенно оцененных вероятностей ошибочной классификации.

An approach is proposed to construct classifiers based on kernel density estimates for solving pattern recognition problems. The approach is based on the use of the a posteriori probability and a distributive π-type measure for the effective division of competing sets. The family of density estimates is applied to each set in a wide range of bandwidths for each estimate of the class density. A procedure is proposed and adapted to combine the classification results on different levels of smoothing that provides a flexible use of different bandwidths for different pairs of competing classes. Statistical uncertainties are calculated on the basis of approximate estimated probabilities of a misclassification.