•
• g1(x),g2(x),...,gN(x): Rd → R
• fonction de d ´ecision:
f(x) =Ci si gi(x) ≥gj(x) pour tout j = 1,...,N
• r ´egions de d ´ecision: R1,R2,...,RN
x∈ Ri si f(x) =Ci
• fronti `ere de d ´ecision: F ⊂Rd
F = {x|∃i, j : i = j,gi(x) = gj(x)}
• Deux classes {−1,1}
• g(x) =g1(x)−g−1(x)
• fonction de d ´ecision: f(x) =signe(g(x))
• r ´egions de d ´ecision: R1 = {x : g(x) ≥ 0},R−1 = {x : g(x) < 0}
• fronti `ere de d ´ecision: F ={x|g(x) = 0}
•
p(x) = 1
(2π)d/2|Σ|1/2 exp
−1
2(x−µ)tΣ−1(x−µ)
• µ: vecteur de moyenne
• Σ: matrice de covariance (positive semidefinite)
• |Σ|: d ´eterminante (≥ 0)
• Σ−1: inverse (existe)
• Fonctions discriminantes
• gi(x) = ln pi(x) = ln p(x|Y =Ci) +ln P(Y =Ci)
• gi(x) = −1
2(x−µi)tΣ−i 1(x−µi)− d
2ln 2π−1
2ln|Σi|+ln P(Y =Ci)
• Cas 1: Σi = σ2I (matrices de covariance sph ´eriques)
• |Σi| = σ2d
• Σ−1 = σ12I
gi(x) = −x−µi2
2σ2 +ln P(Y =Ci) +const.
= − 1
2σ2(xtx−2µtix+µtiµi) +ln P(Y =Ci) +const.
• =
• fonctions discriminantes lin ´eaires: gi(x) =wtix+wi0
• vecteur de poids: wi = 1 σ2µi
• seuil ou biais: wi0 =− 1
2σ2µtiµi+ln P(Y =Ci)
• fronti `ere de d ´ecision lin ´eaire entre Ri et Rj (µi−µj)t(x−x0) = 0
• x0 = 1
2(µi+µj) +
σ2
µi−µj2ln P(Y =Ci) P(Y =Cj)
(µj−µi)
• P(Y =Ci) = P(Y =Cj): classifieur de plus proche moyenne
• Cas 2: Σi = Σ (matrices de covariance identiques)
• gi(x) = −1
2(x−µi)tΣ−1(x−µi) +ln P(Y =Ci) +const.
• gi(x) = wtix+wi0
• vecteur de poids: wi =Σ−1µi
• seuil ou biais: wi0 =−1
2µtiΣ−1µi+ln P(Y =Ci)
• Cas 2: Σi = Σ
• fronti `ere de d ´ecision entre Ri et Rj:
Σ−1(µi−µj)t(x−x0) =0
• x0 = 1
2(µi+µj) +
1
(µi−µj)tΣ−1(µi−µj)ln P(Y =Ci) P(Y =Cj)
(µj−µi)
• P(Y = Ci) = P(Y = Cj): classifieur de plus proche moyenne selon la distance de Mahalanobis:
d(x,µ) =
(x−µ)tΣ−1(x−µ)
• Cas 3: Σi = arbitraire
• gi(x) = −1
2(x−µi)tΣ−i 1(x−µi)− 1
2ln|Σi|+ln P(Y =Ci) +const.
• fonctions discriminantes quadratiques: gi = xtWix+wtix+wi0
• vecteur de poids: wi =Σ−i 1µi
• Wi = −1 2Σ−i 1
• seuil ou biais: wi0 =−1
2µtiΣ−i 1µi−1
2ln|Σi|+ln P(Y =Ci)
• fronti `ere de d ´ecision entre Ri et Rj: hyperquadriques