"UCAS-AI模式识别2-贝叶斯决策"
本文档概括了贝叶斯决策理论的基本概念和方法，包括统计模式识别方法、判别模型、贝叶斯决策、最小错误率决策、最小风险决策等。下面是该文档的知识点总结：
1. 统计模式识别方法：包括生成模型（Density-based）和判别模型（Discriminant/decision function），其中生成模型又分为 Parametric（高斯、Dirichlet、贝叶斯网络、Hidden Markov 模型）、Semi-Parametric（高斯混合、Parzen 窗口）和 Non-Parametric（直方图密度、K-最近邻、神经网络、Logistic 回归、决策树、Kernel（SVM）、Boosting）等。
2. 贝叶斯决策理论：贝叶斯决策是基于概率论的决策方法，包括最小错误率决策和最小风险决策。最小错误率决策的目标是找到最小的错误率，而最小风险决策的目标是找到最小的风险。
3. 最小错误率决策：包括判别函数和决策面、高斯概率密度、高斯密度下的判别函数、分类错误率等。例如，在教室门口判断性别的例子中，如果我们只有先验概率，可以根据概率值来决定是男生还是女生。
4. 最小风险决策：包括决策代价（loss）、条件风险、总的风险、贝叶斯决策等。贝叶斯决策是一种基于概率论的决策方法，可以找到最小的风险。
5. 判别模型：包括 Parametric 和 Non-Parametric 两种，Parametric 模型包括高斯、Dirichlet、贝叶斯网络、Hidden Markov 模型等，而 Non-Parametric 模型包括高斯混合、Parzen 窗口、直方图密度、K-最近邻、神经网络、Logistic 回归、决策树、Kernel（SVM）、Boosting 等。
6. 贝叶斯网络：是一种基于概率论的模型，可以用来表示复杂的概率关系。
7. 高斯概率密度：是一种常用的概率密度函数，可以用来描述连续型随机变量的概率分布。
8. 判别函数：是一种用于分类的函数，可以根据输入特征来预测输出类别。
9. 决策树：是一种用于分类的模型，可以根据输入特征来预测输出类别。
10. Logistic 回归：是一种用于分类的模型，可以根据输入特征来预测输出类别。
11. Kernel（SVM）：是一种用于分类的模型，可以根据输入特征来预测输出类别。
12. Boosting：是一种用于分类的模型，可以根据输入特征来预测输出类别。
13. reject identification：是一种特殊的分类方法，允许选择“不确定”的类别。
14. Maximum a posteriori (MAP)：是一种用于分类的方法，可以根据输入特征来预测输出类别。
本文档提供了贝叶斯决策理论的基础知识和方法，涵盖了统计模式识别方法、判别模型、贝叶斯决策、最小错误率决策、最小风险决策等方面的内容，对于机器学习和模式识别领域的研究和应用具有重要的参考价值。
