Block 3 Beispiel 1 (Bayes Theorem)

[leadpen]

Ich werde aus der Angabe einfach nicht schlau, das Skriptum ist besseres Toilettenpapier und ich checks überhaupt nicht mehr :mad:

Wie erzeuge ich nun meine zwei Klassen w1 und w2 mit meinen normally distributed features x1~N(4,1), x2~N(6,1)? Muss ich da überhaupt was erzeugen oder verstehe ich das ganz falsch?


Für jede Hilfe dankbar, :engel:

[8-Bit]

Wäre auch für eine genauere Erklärung sehr dankbar. Mich würde außerdem interessieren, wie ich die error rates genau berechne? Steht zwar in dem anderen Thread, dass man das eben mit dem normcdf macht, aber komm trotzdem nicht so recht weiter :/

Auf welche Fehlerraten für boundary=4 und bayes error rate kommt ihr?

[paikuhan]

hallo,

also die klasse w1 hat ihr merkmal normalverteilt mit mittelwert 4 und standardabweichung 1, die klasse w2 hat selbiges merkmal normalverteilt mit mittelwert 6 und standardabweichung 1.
ich bin mit diesen daten dann vorgegangen wie im beispiel im skriptum ab seite 102.
ich hoffe das hilft mal fürs erste.

bei den fehlerraten hänge ich leider auch noch, hier finde ich die angaben auch etwas unklar

mfg
paiku

[gpro]

keiner da der ein bißchen licht in die sache bringen könnte?
wäre super.. :engel:

[buschti]

ich versuch mal das mit den Fehlerraten etwas klarzustellen:

1) error rate mit decision boundary 4:

das ist die wahrscheinlichkeit, daß ein sample falsch klassifiziert wird. wenn alle werte kleiner 4 zu w1 und alle werte größer 4 zu w2 gezählt werden, ist das:

die Wahrscheinlichkeit, daß ein Wert aus w1 größer als 4 ist (dann wird er falsch klassifiziert) + der Wahrscheinlichkeit, daß ein Wert aus w2 kleiner 4 ist (dann wird er ebenfalls falsch klassifiziert). das ganze natürlich noch gewichtet mit den jeweiligen Klassenwahrscheinlichkeiten.
(TIPP: hier braucht man das ominöse normcdf)

2) Bayes error rate: dasselbe wie 1), nur mit der optimalen decision boundary (die man graphisch bestimmt)

3) conditional error: Wahrscheinlichekeit einer Misklassifikation abhängig von -> für jedes x der Posterior, der kleiner ist.

Hoffe, das bringt etwas Licht in die Sache.

[paikuhan]

vielen dank für die klarstellung, hat mir sehr geholfen.

mfg
paikuhan