i=1
Transkript
i=1
MEH535 Örüntü Tanıma 2. Karar Teorisi Detection Theory Agdamn Decision Tons I Doç.Dr. M. Kemal GÜLLÜ Elektronik ve Haberleşme Mühendisliği Bölümü web: http://akademikpersonel.kocaeli.edu.tr/kemalg/ E-posta: [email protected] Theory Karar Teorisi Doğru karar vermek… 2 Karar Teorisi – Olabilirlik Oran Testi • Ele alınan bir x ölçümünü sınıflandırma problemi için kabul edilebilir bir sezgisel karar kuralı: – “Ölçülen x özniteliği tarafından sağlanan kanıtın daha benzer olduğu sınıfı seç” – Matematiksel olarak, “her sınıfın P(ωi|x) sonsal olasılığını bul ve içlerinden en büyük olasılığı veren sınıfı seç” • 2 sınıf problemi için karar kuralı: ) wzlx >P( ) PCWIIX Ejer wesmifini eihsihaldewz PCW Ses , , wzlx ) ,1×)¥P( Wz 3 Karar Teorisi – Olabilirlik Oran Testi • Bayes Kuralı uygulandığında; PKhgy.is#wwzMxlwdPe / pay ±*D¥iI :# ola bililik ( likelihood o ran ratio ) 4 Karar Teorisi – Olabilirlik Oran Testi • Örnek: Aşağıdaki sınıf koşullu olasılık yoğunlukları üzerinden LRT ile karar kuralı oluşturmak isteniyor (önseller eşit) Excited "Ypwu=Ett¥¥w olabibilikfnk " Wick Pklud . (likelihood fund a*iH¥¥* =v÷*#÷ rn.EE#...nZjt=lnAw=lnhFln.ioBgb vX8u+t6 Tntwu rooty - - ^2u£j84 u3gi7 5 Karar Teorisi – Olabilirlik Oran Testi • Örnek: Önsel olasılıkların eşit olmadığı durum (P(ω1)= 2P(ω2) ) ) plxlwn pcxlwz ) ,=r÷e# 4 ' ⇐ tech -4 ' =2¥giIe - aE¥* lnAw=h2 ( kh - Each ¥÷{¥n w )t÷(kto5£i )t(kyo)¥t2lm2 :27 .nl5 ° 2 WL 6 . Karar Teorisi – Hata Olasılığı • İkili hipotez durumunda bölgeler ve kararlar (Van Trees): . 7 Karar Teorisi – Hata Olasılığı • Karar kuralının performansı hata olasılığı (P[error]) ile değerlendirilir • Sınıf koşullu olasılıkları: plerroDzIjPkrrorlwilP@DtoplE-olaslysTplerror.WilPError1wiTPCchoosevjlwiHfpCxlwildx.R ; • Örn; 2 sınıf probleminde: p[ error ]=PCwD,{ Plxlwidxtplwd xx ,{ pklwddx 8 Karar Teorisi – Hata Olasılığı • Eşit önsel olasılıklı 2 sınıf problemindeki karar kuralı için hata olasılığı: I ( P fer rod = w i ) not [=P P@D 9 it [#: 4 9 Karar Teorisi – Hata Olasılığı • LRT karar kuralı ne derecede iyi? • P[error], sonsal hata üzerinden ele alındığında . • En uygun karar kuralı, her x için P[error|x] olasılığını en küçükleyecektir. • ωj kararı verildiğinde her x’ noktasında P[error|x’] değeri P[ωi |x’] olasılığına eşittir Plwilxl = Pku * Pal will ALT: Arbitrary Likelihood ratio Test 10 Karar Teorisi – Hata Olasılığı • Herhangi bir x’ değeri için LRT karar kuralı daima daha düşük P[error|x’]’e sahip olacaktır • Dolayısıyla, x-ekseni üzerinden integral alındığında LRT daha düşük P[error] vermektedir. • Verilen bir problem için en küçük hata olasılığı LRT ile elde edilir. • Bu hata olasılığı Bayes Hata Oranı (Bayes Error Rate) olarak bilinir ve sınıflandırıcının yapabileceğinin EN İYİSİDİR 11 Karar Teorisi – Bayes Riski • Hatalı sınıflandırma cezası her zaman eşit olmayabilir. Örn; – Kanser hastasına “hasta değil” tanısı koymak diğer durumla karşılaştırıldığında ciddi sorun oluşturacaktır. • Farklı risk durumları Cij ile gösterilen bir maliyet fonksiyonu (cost func.) ile gösterilir – Cij, ωj sınıfı doğru iken ωi sınıfına karar verme 1 maliyetidir Cz sinif Item 2 sin fen , atanma • Bayes Riski (2-sınıf için): R=£H÷{§÷i ; ( . , KY Pcwijiseauxew ;) ÷ nahyeh ' ' =Eki¥ PCWJ ) 12 Karar Teorisi – Bayes Riski • Bayes riskini en küçükleyecek karar kuralı ne olmalı? - - • Risk: k¥4 , ,{ + - Ku Plwi PKIW ) P ( we ) PKI . we ) +42 P ( w ) + G , ~ ) P ( xlw Plwz ) P ( × I W , , Dd × ) ] DX olabilirlik i xlw . ) dxt { Plxluaddx pfnjpklw = , I dx = 1 , 13 Karar Teorisi – Bayes Riski • Risk ifadesinde olabilirlik toplamı kullandığında Bayes riski: cuptitcnphd } R=c ,Plw R=G# , .la?Pk1w.ldxtGzPluD,fPCxlwddx+CnPlwp/PCx1wnldxtCzzPlwyfp/ywddxtCz.Plw.l/Plx1wi1dxtGzPlwy/Pk1w. - Cupcw , ) ,{ pklw , )dx - GzPCwy{ pklwddx Bbalsinhdetanmlamayapltfntas pup .ir#+kn-cu)PlwyfPNuldx-Ki9;YPlx1w.1dx 14 : Karar Teorisi – Bayes Riski • Bayes riskini en küçükleme (ilk 2 terim R1’de tanımlı değil, atılır): tax ÷ • R1’i seç eğer: Cu - Cu ) P lwn ) P KI w D Tg ku GDP W - ¥e¥n¥a÷m¥ , P (x I w 15 2) Karar Teorisi – Bayes Riski • Örnek: 2-sınıf probleminde, × × • Yoğunluklar? LR? • küçükleyen karar kuralı? a ath'd için hata olasılığını en r÷ e÷÷ Eternity '* hgAH= k¥+÷hi&lo - " " - 4n+4 - ;D ¥0 tnntnzno Eet !XE"9ts× nt6ne6=G nniIY?I_= 16 Karar Teorisi – LRT Türevleri • Bayes Ölçütü: • En Büyük Sonsal (Maximum A Posteriori - MAP) Ölçütü: • En Büyük Olabilirlik (Maximum Likelihood - ML) Ölçütü: 17 Karar Teorisi – LRT Türevleri • Neyman-Pearson Ölçütü: Algılama-kestirim teorisinde kullanılır ve LRT’de bir sınıfın hata olasılığını sabit tutarak, diğer sınıfın hata olasılığını en küçüklemeye çalışır. – Örn; balık sınıflandırma probleminde somonların levrek olarak hatalı sınıflandırılması için devletin koyduğu %1 sınırını geçmeyecek şekilde diğer durumun hata olasılığını en küçükle – Önsellerin bilgisine ve bir maliyet fonksiyonuna gerek yoktur • Minimax Ölçütü: Oyun teorisinde kullanılır ve Bayes ölçütünden çıkartılmıştır. – En büyük Bayes riskini en küçüklemeyi hedefler – Önsellerin bilgisine gerek yoktur ancak bir maliyet fonksiyonu gerekir 18 Karar Teorisi – Minimum Hata Kuralı • “Çoklu Sınıf Problemi” için hata olasılığını en küçükleyen karar kuralı: • Doğru atama yapma olasılığı: )=§jPwi,{ Planet Pl error ) = enhiauhlue Morath 1- - Mxlwildx Planet ) Ubiifihlene ,§ ,{ ilxlwilpwildx . ; .in#wilxlPlxHx enbjskhih 19 . Karar Teorisi – Minimum Hata Kuralı • P[correct] olasılığını en büyüklemek için integralinin her birinin en büyüklenmesi gerekmektedir • Bu integral, en büyük P[ωi|x]’i veren ωi sınıfı seçilerek en büyüklenebilir 20 Karar Teorisi – Minimum Hata Kuralı • Çoklu sınıf problemi için en küçük Bayes riski: – αi : ωi sınıfını seçme kararı – α(x) : x özniteliklerini ωi: α(x)→{α1,α2,…, αc} sınıflarına eşleyen toplam karar kuralı olsun • x’i ωi sınıfına atama koşullu riski : • α(x) karar kuralı ile ilişkilendirilen Bayes riski: 3 x 21 Karar Teorisi – Ayırtaç Fonksiyonları • gi(x), i=1,…,C ayırtaç fonksiyonları ile sınıflandırma: • Temel Karar Kuralları ve ayırtaç fonksiyonları: 22