以下()属于线性分类器最佳准则?_京东笔试题

赵子龙

线性分类器有三大类：感知器准则函数、SVM、Fisher准则，而贝叶斯分类器不是线性分类器。

感知器准则函数：代价函数J=-(W*X+w0)，分类的准则是最小化代价函数。感知器是神经网络（NN）的基础，网上有很多介绍。

SVM：支持向量机也是很经典的算法，优化目标是最大化间隔（margin），又称最大间隔分类器，是一种典型的线性分类器。（使用核函数可解决非线性问题）

Fisher准则：更广泛的称呼是线性判别分析（LDA），将所有样本投影到一条远点出发的直线，使得同类样本距离尽可能小，不同类样本距离尽可能大，具体为最大化“广义瑞利商”。

贝叶斯分类器：一种基于统计方法的分类器，要求先了解样本的分布特点（高斯、指数等），所以使用起来限制很多。在满足一些特定条件下，其优化目标与线性分类器有相同结构（同方差高斯分布等），其余条件下不是线性分类。

参考：http://blog.163.com/rustle_go_go/blog/static/20294501420122110431306/

发表于 2016-04-20 15:09:59 回复(0)

🔍搜索offer中

线性分类器三种最优准则：

Fisher 准则：根据两类样本一般类内密集，类间分离的特点，寻找线性分类器最佳的法线

向量方向，使两类样本在该方向上的投影满足类内尽可能密集，类间尽可能分开。这种度量通过类内离散矩阵 Sw 和类间离散矩阵 Sb 实现。

感知准则函数 ：准则函数以使错分类样本到分界面距离之和最小为原则。

其优点是通过错分类样本提供的信息对分类器函数进行修正，这种准则是人工神经元

网络多层感知器的基础。

支持向量机 ：基本思想是在两类线性可分条件下，所设计的分类器界面使两类之间的

间隔为最大，它的基本出发点是使期望泛化风险尽可能小。

发表于 2016-10-07 20:38:59 回复(0)

聆听几点几

线性分类器有三大类：感知器准则函数、SVM、Fisher准则，而贝叶斯分类器不是线性分类器

发表于 2016-09-05 21:25:09 回复(0)

Fansv587

选项A：感知准则函数感知准则函数是一种用于训练线性分类器的准则。其基本思想是通过不断调整分类器的权值向量，使得所有误分类样本到分类超平面的距离之和最小。感知器算法基于感知准则函数，通过迭代的方式对权值进行更新，直到所有样本都被正确分类（对于线性可分的数据）。所以感知准则函数属于线性分类器的一种准则。

选项B：贝叶斯分类贝叶斯分类是基于贝叶斯定理的分类方法，它通过计算样本属于各个类别的后验概率，将样本分类到后验概率最大的类别中。贝叶斯分类器并不一定是线性分类器，它可以处理线性可分和线性不可分的数据，其分类决策边界的形状取决于数据的分布和所采用的概率模型。例如，当使用高斯分布来建模类条件概率时，贝叶斯分类器的决策边界可能是二次曲线等非线性形状。所以贝叶斯分类不属于线性分类器最佳准则。

选项C：支持向量机支持向量机（SVM）在处理线性可分数据时，通过寻找一个最优的分类超平面，使得两类样本之间的间隔最大。这个最优超平面是线性的，此时SVM可以看作是一种线性分类器，其目标是在所有可能的线性分类超平面中找到最优的那个，因此属于线性分类器的最佳准则之一。当数据线性不可分时，SVM可以通过核函数将数据映射到高维空间，在高维空间中寻找线性分类超平面，但这是对线性分类的一种扩展应用。

选项D：Fisher准则 Fisher准则的基本思想是寻找一个投影方向，使得不同类别的样本在该投影方向上的投影尽可能分开，同一类别的样本在该投影方向上的投影尽可能聚集。通过Fisher准则得到的分类器是线性分类器，它通过最大化类间散度与类内散度的比值来确定最佳的投影方向，从而找到最优的线性分类超平面，所以Fisher准则属于线性分类器最佳准则。

综上，答案是ACD。

发表于 2025-02-16 16:46:43 回复(0)

吉吉锅锅

选了感知机就必选SVM，剩下一个fisher，最大化类间，最小化类内

发表于 2022-09-15 15:05:27 回复(0)

门头沟吴彦祖

我在想，有基于核函数的SVM啊，有KFDA这样的判别分析啊，那么这题就只能选A。事实证明，想多了。

发表于 2019-03-12 15:02:33 回复(0)

今夜吃鸡

线性分类器有三大类：感知器准则函数、SVM、Fisher准则，而贝叶斯分类器不是线性分类器

具体来看线性分类器三种最优准则：

Fisher 准则：

根据两类样本一般类内密集，类间分离的特点，寻找线性分类器最佳的法线向量方向，使两类样本在该方向上的投影满足类内尽可能密集，类间尽可能分开。这种度量通过类内离散矩阵 Sw 和类间离散矩阵 Sb 实现。

感知准则函数 ：

准则函数以使错分类样本到分界面距离之和最小为原则。其优点是通过错分类样本提供的信息对分类器函数进行修正，这种准则是人工神经元网络多层感知器的基础。

支持向量机 ：

基本思想是在两类线性可分条件下，所设计分类器界面使两类之间的间隔为最大，它的基本出发点是使期望泛化风险尽可能小。

发表于 2019-02-23 10:09:28 回复(0)

Mowar

感知准则函数原来是感知器准则函数啊

发表于 2018-09-27 11:26:45 回复(0)

Forrestcloud

线性分类器有三大类：感知器准则函数、SVM、Fisher准则，而贝叶斯分类器不是线性分类器。

感知器准则函数：代价函数J=-(W*X+w0)，分类的准则是最小化代价函数。感知器是神经网络（NN）的基础，网上有很多介绍。

SVM：支持向量机也是很经典的算法，优化目标是最大化间隔（margin），又称最大间隔分类器，是一种典型的线性分类器。（使用核函数可解决非线性问题）

Fisher准则：更广泛的称呼是线性判别分析（LDA），将所有样本投影到一条远点出发的直线，使得同类样本距离尽可能小，不同类样本距离尽可能大，具体为最大化“广义瑞利商”

发表于 2017-09-06 20:42:54 回复(0)

|▍so时光依旧

线性分类器三种最优准则：

Fisher 准则：根据两类样本一般类内密集, 类间分离的特点，寻找线性分类器最佳的法线向量方向，使两类样本在该方向上的投影满足类内尽可能密集，类间尽可能分开。该种度量通过类内离散矩阵 Sw 和类间离散矩阵 Sb 实现。

感知准则函数：准则函数以使错分类样本到分界面距离之和最小为原则。其优点是通过错分类样本提供的信息对分类器函数进行修正，这种准则是人工神经元网络多层感知器的基础。

支持向量机：基本思想是在两类线性可分条件下，所设计的分类器界面使两类之间的间隔为最大, 它的基本出发点是使期望泛化风险尽可能小。

发表于 2016-08-31 19:59:42 回复(0)

以下()属于线性分类器最佳准则?

问题信息

热门推荐

相关试题