第一章绪论1.什么是模式？ 具体事物所具有的信息。模式所指的不是事物本身，而是我们从事物中获得的___信息 __。2.模式识别的定义？让计算机来判断事物。3.模式识别系统主要由哪些部分组成？数据获取—预处理—特征提取与选择—分类器设计/ 分类决策。第二章贝叶斯决策理论1.最小错误率贝叶斯决策过程？答：已知先验概率，类条件概率。利用贝叶斯公式得到后验概率。根据后验概率大小进行决策分析。2.最小错误率贝叶斯分类器设计过程？答：根据训练数据求出先验概率类条件概率分布利用贝叶斯公式得到后验概率如果输入待测样本X，计算 X 的后验概率根据后验概率大小进行分类决策分析。3.最小错误率贝叶斯决策规则有哪几种常用的表示形式？答：4.贝叶斯决策为什么称为最小错误率贝叶斯决策？答：最小错误率Bayes 决策使得每个观测值下的条件错误率最小因而保证了（平均） 错误率最小。 Bayes 决策是最优决策：即，能使决策错误率最小。5.贝叶斯决策是 由先验概率和（类条件概率）概率，推导（后验概率）概率，然后利用这个概率进行决策。6.利用乘法法则和全概率公式证明贝叶斯公式答：mjAjpAjBpBpApABpBpBApABp1)()|()()()|()()|()(所以推出贝叶斯公式7.朴素贝叶斯方法的条件独立假设是（P(x| ω i) =P(x1, x2, ⋯, xn | ω i) 211221_,)(/)(_)|()|()(wwxwpwpwxpwxpxl则如果21)()|()()|()|(jjjiiiwPwxPwPwxPxwP2,1),(iwPi2,1),|(iwxpi21)()|()()|()|(jjjiiiwPwxPwPwxPxwPMjjjiiiiiAPABPAPABPBPAPABPBAP1)()|()()|()()()|()|(= P(x1| ω i) P(x2| ω i)⋯ P(xn| ω i) ）8.怎样利用朴素贝叶斯方法获得各个属性的类条件概率分布？答：假设各属性独立，P(x| ω i) =P(x1, x2, ⋯, xn | ω i) = P(x1| ω i) P(x2| ω i)⋯ P(xn| ω i) 后验概率： P(ω i|x) = P( ω i) P(x1| ω i) P(x2| ω i) ⋯ P(xn| ω i) 类别清晰的直接分类算，如果是数据连续的，假设属性服从正态分布，算出每个类的均值方差，最后得到类条件概率分布。均值：miximxmean11)(方差：2)^(11)var(1mixximx9.计算属性Marital Status的类条件概率分布给表格计算，婚姻状况几个类别和分类几个就求出多少个类条件概率。10，朴素贝叶斯分类器的优缺点？答：分类器容易实现。面对孤立的噪声点，朴素贝叶斯分类器是健壮的。因为在从数据中估计条件概率时。这些点被平均。 面对无关属性，该分类器是健壮的。相关属性可...
