Introduccin
Reconocimiento de Patrones
(Cox, 1946)
Cox R.T, Probability, Frequency, and Reasonable Expectation, Am. Jour. Phys., 14, 1-13, (1946).
Reconocimiento de Patrones
Regla de la suma
Dadas de nuevo las variables X e Y se tiene: P( y ) = P( x, y )
donde la suma se hace sobre todos los valores x de la variable X
De forma similar: P( x ) = P( x, y )
y
Reconocimiento de Patrones
P( y | x )P( x )
P( y )
con: P( y ) = P( x, y ) = P( y | x )P( x )
x
Reconocimiento de Patrones
Reconocimiento de Patrones
Reconocimiento de Patrones
x2
x3
x1
x2
x3
w1
Elijo w1
w2
Elijo w2
Frecuencias absolutas
x1
x2
x3
x1
x2
x3
w1
4/20
5/20
2/20
Elijo w1
1/20
6/20
2/20
w2
1/20
6/20
2/20
Elijo w2
4/20
5/20
2/20
Frecuencias relativas
Reconocimiento de Patrones
x2
x3
x1
x2
x3
Elijo w1
1/20
6/20
2/20
Elijo w1
P(x1,w2)
P(x2,w2)
P(x3,w2)
Elijo w2
4/20
5/20
2/20
Elijo w2
P(x1,w1)
P(x2,w1)
P(x3,w1)
Probabilidad de error.
Reconocimiento de Patrones
Reconocimiento de Patrones
x2
x3
w1
w1
11/20
w2
w2
9/20
Frecuencias relativa de
cada clase
Frecuencias absolutas
x1
w1
4/11
x2
x3
5/11
2/11
x1
w2
Frecuencias relativa de X en w1
x1
w1
4/5
1/9
x2
x3
6/9
2/9
Frecuencias relativa de X en w2
x2
x3
5/11
2/4
x1
w2
x1
Elegir w1
1/5
x2
x3
6/11
2/4
x2
x3
Elegir w2
Reconocimiento de Patrones
P( x (a, b )) = p( x )dx
a
p( x, y )dx
p( x | y ) =
p( y | x )p( x )
p( y )
p( x, y ) = p( y | x )p( x )
Reconocimiento de Patrones
Reconocimiento de Patrones
con p( x ) = p( x | wi ) P( wi )
i =1
Ejemplo:
p(x | w2)
p(x | w1)
P(w2|x)
p(x | w3)
p(x | w4)
P(w3 |x)
P(w1| x)
P(w4 |x)
Distribucin de X en cada clase
Probabilidades a posteriori
Probabilidades a priori iguales
Reconocimiento de Patrones
P(Error | x ) =
P( wk | x ) = 1 P( wi | x )
k =1,k i
P(w2|x)
P(w3 |x)
P(w1| x)
Propiedad:
Hace mnima la probabilidad de error:
Elegir
w1
Elegir Elegir
w2
w4
Elegir
w3
Elegir
w4
P(w4 |x)
Reconocimiento de Patrones
Reconocimiento de Patrones
DBR:Motivacin (2)
Clase Verdadera
w1
w2
w1
11=1
12=11
w2
21=10
22=1
Elijo
x2
x3
x1
x2
x3
w1
Elijo w1
1
4+11
1=15
1
5+11
6=71
1
2+11
2=24
w2
Elijo w2
1
1+10
4=41
1
6+10
5=56
1
2+10
2=22
Frecuencias absolutas
x1
x2
x3
w1
4/20
5/20
2/20
w2
1/20
6/20
2/20
Frecuencias relativas
Decisin. Naranja:Salmn, Violeta:Rdalo
x2
x3
1
4/20+11
1/20=15/20
1
5/20+11
6/20=71/20
1
2/20+11
2/20=24/20
Elijo w2
1
1/20+10
4/20=41/20
1
6/20+10
5/20=56/20
1
2/20+10
2/20=22/20
x1
Elijo w1
Reconocimiento de Patrones
DBR:Motivacin (3)
x2
x3
Elijo w1
1
4/20+11
1/20=15/20
1
5/20+11
6/20=71/20
1
2/20+11
2/20=24/20
Elijo w2
1
1/20+10
4/20=41/20
1
6/20+10
5/20=56/20
1
2/20+10
2/20=22/20
x1
x2
x3
Elijo w1
11P(x1,w1)+12P(x1,w2)
11P(x2,w1)+12P(x2,w2)
11P(x1,w1)+12P(x1,w2)
Elijo w2
21P(x1,w1)+22P(x1,w2)
21P(x1,w1)+22P(x1,w2)
21P(x1,w1)+22P(x1,w2)
Costo medio
Reconocimiento de Patrones
Reconocimiento de Patrones
Informacin disponible:
Clases: wi, i=1...c
Caractersticas : X variable aleatoria multidimensional.
Probabilidades: P(wi), p(x | wi), i=1...c
Mediante la Regla de Bayes:
p( x | wi ) P( wi )
P( wi | x ) =
, i = 1...c
p( x )
con p( x ) = p( x | wi ) P( wi )
i =1
R( i | x ) = ( i | w j ) P(w j | x )
i = 1,...c
j =1
Reconocimiento de Patrones
Propiedad:
Hace mnimo el riesgo total:
R = R( ( x ) | x ) p( x ) dx
Reconocimiento de Patrones
Clasificadores y su Representacin
x1
x
Vector de
Caractersticas
x2
.
.
.
xd
Entrada
g1
g1(x)
g2
g2(x)
.
.
.
gc(x)
.
.
.
max
(x)
gc
Clculo de las Funciones Discriminantes
Selector de Mximo
Decisin
Reconocimiento de Patrones
Regiones de decisin
Todo clasificador divide el espacio de caractersticas en regiones
de decisin Ri donde se elige la clase i. La frontera entre dos
regiones de decisin de llama frontera de decisin.
Utilizando las funciones discriminante las regiones de decisin se
escriben para cada clase wi como Ri={x/gi(x) gj(x) ij}
Si Ri son Rj contiguas entonces la frontera de decisin es la
interseccin de las dos regiones RiRj={x/gi(x)=gj(x)}.
Reconocimiento de Patrones
1
2
e 2 , >0
Funcin de densidad: p( x ) =
2 2
Algunas propiedades
Su valor medio E(X) es igual a
N(-3,2)
N(0,1)
Normal unidimensional. Representacin grfica
N(3,0.5)
Reconocimiento de Patrones
Independencia
Dos variables X e Y son independientes si conocer una no
proporciona informacin sobre la otra, es decir:
p( x | y ) = p( x ) p( x, y ) = p( x )p( y )
x p( x )dx
Cov( X ,Y ) =
E( X ) = x p( x )dx
En el caso multidimensional es un vector:
Varianza y covarianza de variables aleatorias.
Reconocimiento de Patrones
p( x ) =
1
(2 )
d /2
1/ 2
1
( x )T 1( x )
e 2
x, R d
matriz de dxd elementos,
simtrica y definida positiva (| |> 0)
Propiedades
Su valor medio es ahora un vector E(X)= = ( , ,..., )T con i =E(Xi)
La dispersin y relacin entre las variables se refleja en la matriz de
covarianzas =E( (X- ) (X- )T ) = (ij) con ij = E((Xi- i)(Xj- j))
1
Reconocimiento de Patrones
g i ( x ) = aiT x + ai 0
ai =
ai 0 =
a = i j
i
1
T i
2 i
+ ln(P( wi ))
1
2 P( wi )
x 0 = ( i + j ) 2 ln
a
2
P(
w
)
a
j
Funcin discriminante
1
R1
R2
= a Ta
Superficie de decisin
Representacin Grfica
Reconocimiento de Patrones
aT ( x x0 ) = 0
ai = 1 i
a = 1d , d = i j
1
ai 0 = iT 1 i + ln(P( wi ))
2
x0 =
1
1
( i + j )
2
d T 1d
Funcin discriminante
R2
P( wi )
d
ln
P( w )
j
R1
Superficie de decisin
2
Representacin Grfica
R2
R1
R1
R2
R2
R1
R1
R2
RR1 1
R2
Funcin discriminante
R1
R2
R1
Representacin Grfica
Reconocimiento de Patrones
Resumiendo...
Reconocimiento de Patrones
Conocidas
Densidades
condicionales
en cada clase p(x|wi)
Estimacin
Paramtrica
Clsica
Decisin
Bayesiana
Estimacin
Bayesiana
Aprendizaje
Supervisado
TEMA 3
Tcnicas
No Paramtricas
Desconocidas
TEMAS 4,5
Aprendizaje
no Supervisado
Tcnicas
Paramtricas
Estimacin
no
Paramtrica
Clsica
Construccin
de Fronteras
de Decisin
Estimacin en
mezclas
TEMA 8
Tcnicas
No Paramtricas
Anlisis de
Agrupamientos
TEMA 2