1、感学习代价敏感两类问题和多类问题学习代价敏感子空间学习二维子空间学习二维主成分分析方法二维线性鉴别分析方法非线性鉴别方法几种常见的核函数核主成分分析法核鉴别分析法第三章基于代价敏感的最大间隔准则分析方法介绍代价敏感最大间隔准则方法的动机及基本思路代价敏感最大间隔准则学习代价敏感最大间隔准则算法的推导过程代价敏感最大间隔准则算法的实验结果实验数据库实的人员，我们可以令，，即我们认为检测结果为所造成的后果最严重，所以在训练时我们予以这种样本比较高的代价系数。假设算法的正确识别率高于的正确识别率，但是如果经过计算，他们的情况如表表算法和算法的识别结果情况算法算法由上表可以看出，虽然算法的识别率上高于算法，但如果是应用到“机器人医生”为病人检测身体系统上显然算法优于算法，因为算法不会将个已经生病的人员检测为无病。表分类结果预测实际是生病人员实际是健康人员检测为生病人员检测为健康人员表各种判断结果的代价表实际是生病人员实际是健康人员检测为生病人员检测为健康人员万方数据南京邮电大学硕士研究生学位论文第二章相关基础知识介绍现实生活中有些问题远不是两类问题，在人脸识别系统中往往有很多个类。于是出现了很多解决这类问题的算法，这些算法基本上都是不只关注识别的正确率，同时考虑了各类错分的代价。以往所提出的识别方法般都只是将代价敏感的这种技术应用在分类阶段，这样很可能会导致每个样本的代价敏。
2、所以般设的比较小。下面是对多类问题中样本在识别过程中的代价系数表示，被检测人员为罪犯被检测人员是良民，式中为样本的实际类标记，是好人样本的总类数。表示把样本分为第个人的概率，当被检测人员为好人时，表示对样本身份识别错误的概率，表示将好人识别为罪犯的概率当被检测人员为罪犯时，表示把罪犯识别为好人的概率。上述的代价敏感矩阵对样本训练过程中直接加入算法。般多类代价敏感问题主要考察以下几个指标错误辨认的个数错误拒绝的个数错误接受的个数总体代价，测试样本总个数错误个数总体错误率，错误总个数错误接受的个数错误接受率，错误总个数错误拒绝的个数错误拒绝率。代价敏感子空间学习在本节中主要介绍如何将代价敏感矩阵引入到子空间进行学习。主要包括等基本方法。首先，我们假设有组包含好人和犯罪分子样本的训练样本集，，其中，前个样本我们假设是好人样本，共有个类，每类所含样本数均为，所以有。万方数据南京邮电大学硕士研究生学位论文第二章相关基础知识介绍剩下的均为犯罪分子犯罪分子样本共是个，这里我们把整个犯罪分子的集合看成是个元类。那么整个样本集合就有个类，样本总数为。所谓代价敏感主成分分析方法，是将错分代价信息引入到主成分分析算法中。主成分分析是将高维数据通过线性投影变换投影到低维空间，对于原样本集合，设是待求的变换矩阵，是对样本经过。
3、性的有监督方法，但是在样本数小于样本维数时会遇到小样本问题。最大间隔准则是种有效的有监督子空间学习方法，由于其不需要对类内散度矩阵求逆，可以避免小样本问题。考虑到错误分类代价问题，本文首先提出了代价敏感的最大间隔准则，。我们根据不同类的实际情况设计了代价因子，并将其融入类内和类间散度矩阵的构造中，从而构造了代价敏感的类内和类间散度矩阵。通过特征值分解过程，我们可以获得投影变换。需要对样本进行列向量化处理，而这会破坏人脸图像的原始结构，还会导致列向量化后的样本维数变得很高，从而导致散度矩阵奇异。为解决该问题，我们进步提出了二维代价敏感的最大间隔准则。加入代价因子，并直接用原始样本二维，不作列向量化处理构建散度矩阵。此外，我们用迭代求解的方式获得投影变换。传统的线性特征提取方法是通过线性变换来实现对模式样本的降维的，但原始样本如果呈现非线性分布时，已有的线性方法很难提取有效的鉴别特征。这时可以将其转换到个新的，更高维的空间使得原始样本线性不可分的数据在这个新的空间中变的线性可分。基于核的相关理论，我们在的基础上提出了核的代价敏感最大间隔准则。首先将低维样本通过核函数映射到高维空间，然后在计算散度矩阵时融入错误分类代价因子，最后根据再生核理论进行求解。我们在三个公开的人脸数据库和进行实验。实验结果表明了所提方法的有效性。关键词最大间隔准则，代价敏感，二维学习，核理论万方数据，。
4、第个类的样本均值。公式中，是把第类里面的样本错分成第类里面的样本所造成的代价，表示第类的样本均值，表示第类的样本均值。然后构造的目标函数上式中是待求投影矩阵。经过化简，公式可以按照公式来求解其中是上面那个广义特征方程对应的广义特征值，选取前个对应的广义特征向量作为的列向量。接下来我们介绍代价敏感的局部保持投影方法。局部保持投影首先要构造个反应样本之间结构的近邻图，使样本在投影空间中还能保持这种局部结构。是种典型的流行学习算法。这种能保持样本之间结构的投影方法般用最近邻分类器能取得更好的效果。同样由提出将代价敏感的思想加入流行学习中，提出。万方数据万方数据单位代码密级硕士学位论文论文题目基于代价敏感的最大间隔准则方法研究高艳荆晓远模式识别与智能系统生物特征图像处理和识别方法研究工学硕士二〇四年二月学号姓名导师学科专业研究方向申请学位类别论文提交日期万方数据万方数据万方数据摘要在人脸图像识别过程中，传统的基于子空间的人脸识别方法通过寻求个低维子空间来实现分类。这种做法的前提是假定类与类之间的错分代价是样的，然而这种假设在些场合并不合理，因为不同类错分造成的后果可能并不相同。如何针对特定场景提出有效的识别方法成为本文研究的重点。当前，些代价敏感的子空间学习方法已经被提出，如和，。然而，这些方法还存在些问题。和是两种代表性的方法，由于不能使用类别信息，鉴别能力有限是代表。
5、感信息丢失。等首次在人脸识别系统中考虑各类错分代价并提出多类代价敏感分类问题，他提出的方法不同于前人的工作，将代价敏感技术应用在特征层。首先，对多类问题的学习我们以海关检测系统对通行人员智能检测为例。对个待检测游客，智能检测系统对他的检测结果通常有以下几种可能，待检测游客实际是好人，但是系统却错误的将其检测为危险人员，待检测游客是危险人员，但系统错误的检测其为好人，待检测游客是好人，系统也将其划分为好人，可是身份识别错误，待检测游客是好人，系统也正确的判断游客为好人，游客是危险人员，系统也正确检测出其为危险人员。这里我们在研究代价问题时特别关注的是第种情况。设第种情况的代价系数表示为，第种情况的代价系数表示为，第种情况的代价系数表示为。那么多类代价敏感问题首先根据实际情况确定代价矩阵表代价敏感多类问题的代价矩阵上表中是好人样本的类标，为错误辨认代价好人样本的身份识别错误的代价为错误接受代价把罪犯等危险人员识别为好人，注意这个入侵的样本般是危险的，它造成的后果很严重，所以般把这个代价设的比较大为错误拒绝代价把好人误判为罪犯的代价。在算法中，我们般假设不管罪犯是谁，把罪犯错误识别为好人的代价看成是样，所以般比较大。同理，如果是对好人的身份识别错误所造成的代万方数据南京邮电大学硕士研究生学位论文第二章相关基础知识介绍价也认为是样的，因为这种错误识别所造成的代价不是很大，。
6、降维后的低维空间表示，。对于该集合我们根据实际情况写出代价敏感矩阵，，则的目标函数我们可以写成公式，，其中是把错误识别为的代价，这里要特别注意，不能简单地认为，具体它满足如下关系是罪犯是好人且。对于公式经过简单推导如下，由公式可知，代价敏感矩阵可以再求总体散度矩阵的时候并加入，即，然后按照求解普通的过程进行求解，即对进行特征值特征向量的分解，选择前个最大的特征值对应的特征向量构成的列向量。在子空间学习中，是无监督学习，所以鉴别能力有限，而虽然通过代价敏感矩阵加入了类的信息，但是它并不能算是真正意义上的有监督学习。对于子空间学习里面的算法才算真正意义上的有监督学习方法，在他的工作里面还提出了。做为子空间学习里面的典型算法，在本节我们将主要结合算法介绍算法。万方数据南京邮电大学硕士研究生学位论文第二章相关基础知识介绍里面为了重点考虑错分代价大的第类首先定义了个反应该类的个函数，其中。定义如下其中，为类数，表示待测人员是好人但他的身份检测错误的代价，表示将犯罪人员错误识别为好人的代价。经过的简单推导可以看出，代价信息可以再计算散度矩阵的同时加进去，所以，受此启发，的类内散度矩阵类间散度矩阵分别可以写成公式和公式，公式中为原始第个样本，为样本的类标记，为。
参考资料：
1、该PPT不包含附件（如视频、讲稿)，本站只保证下载后内容跟在线阅读一样，不确保内容完整性，请务必认真阅读。
2、有的文档阅读时显示本站（www.woc88.com）水印的，下载后是没有本站水印的（仅在线阅读显示），请放心下载。
3、除PDF格式下载后需转换成word才能编辑，其他下载后均可以随意编辑、修改、打印。
4、有的标题标有”最新”、多篇，实质内容并不相符，下载内容以在线阅读为准，请认真阅读全文再下载。
5、该文档为会员上传，下载所得收益全部归上传者所有，若您对文档版权有异议，可联系客服认领，既往收入全部归您。
如何做好期末复习冲刺期末考试主题班会动态PPT课件 编号18060
