www.vorhilfe.de
Vorhilfe

Kostenlose Kommunikationsplattform für gegenseitige Hilfestellungen.
Hallo Gast!einloggen | registrieren ]
Startseite · Forum · Wissen · Kurse · Mitglieder · Team · Impressum
Forenbaum
^ Forenbaum
Status Englisch
  Status Grammatik
  Status Lektüre
  Status Korrekturlesen
  Status Übersetzung
  Status Sonstiges (Englisch)

Gezeigt werden alle Foren bis zur Tiefe 2

Navigation
 Startseite...
 Neuerdings beta neu
 Forum...
 vorwissen...
 vorkurse...
 Werkzeuge...
 Nachhilfevermittlung beta...
 Online-Spiele beta
 Suchen
 Verein...
 Impressum
Das Projekt
Server und Internetanbindung werden durch Spenden finanziert.
Organisiert wird das Projekt von unserem Koordinatorenteam.
Hunderte Mitglieder helfen ehrenamtlich in unseren moderierten Foren.
Anbieter der Seite ist der gemeinnützige Verein "Vorhilfe.de e.V.".
Partnerseiten
Weitere Fächer:

Open Source FunktionenplotterFunkyPlot: Kostenloser und quelloffener Funktionenplotter für Linux und andere Betriebssysteme
Forum "Uni-Stochastik" - Bayes-Theorem: Klassifikation
Bayes-Theorem: Klassifikation < Stochastik < Hochschule < Mathe < Vorhilfe
Ansicht: [ geschachtelt ] | ^ Forum "Uni-Stochastik"  | ^^ Alle Foren  | ^ Forenbaum  | Materialien

Bayes-Theorem: Klassifikation: Frage (beantwortet)
Status: (Frage) beantwortet Status 
Datum: 13:16 Mo 01.09.2014
Autor: ttl

Aufgabe
Fehlerwahrscheinlichkeit
Gegeben seien die folgenden klassenbedingten Wahrscheinlichkeiten:

[mm] p(x|w_{1})=\begin{cases} -\frac{2}{5} + \frac{2}{5}x, & \mbox{für } x\in [1,2) \\ \frac{3}{5} -\frac{1}{10}x, & \mbox{für } x\in [2,6]\\ 0, &\mbox{sonst } \end{cases} [/mm]

[mm] p(x|w_{2})=\begin{cases} -\frac{1}{5} + \frac{1}{5}x, & \mbox{für } x\in [1,3) \\ \frac{4}{5} -\frac{2}{15}x, & \mbox{für } x\in [3,6]\\ 0, &\mbox{sonst } \end{cases} [/mm]

[mm] p(x|w_{3})=\begin{cases} -\frac{1}{5} + \frac{1}{10}x, & \mbox{für } x\in [2,6) \\ \frac{14}{5} -\frac{2}{5}x, & \mbox{für } x\in [6,7]\\ 0, &\mbox{sonst } \end{cases} [/mm]

Des weiteren gelte [mm] P(w_{1}) [/mm] = [mm] 3P(w_{2}) [/mm] und [mm] P(w_{2}) [/mm] = [mm] P(w_{3}), [/mm] wobei es keine weiteren Klassen gibt.

1. Ermitteln Sie grafisch die Anzahl der Schwellwerte [mm] \theta_{i}, [/mm] die benötigt werden um eine minimale Fehlerwahrscheinlichkeit bei der Klassifikation zu erhalten. (Schon geschehen!)

2. Berechnen Sie die Position der Schwellwerte [mm] \theta_{i} [/mm] mit denen die Fehlerwahrscheinlichkeit bei der Klassifikation minimal wird. (Schon geschehen!)

3. Bestimmen Sie die minimale Fehlerwahrscheinlichkeit, di durch eine geeignete Wahl der Schwellwerte bei der Klassifkation möglich ist. (Noch offen!)

Hi,

wenn es um die Klassifikation geht, habe ich leider etwas Probleme.
Z.B. wenn man nur zwei Klassen hätte, die sie sich in einem gewissen Punkt schneiden, dann hätte man links vom Schwellwert Objekte, die fälschlicherweise als Objekte der rechten Klasse zugeordnet wird und analog für die Objekte rechts vom Schwellwert.

Was mir vor allen Dingen Kopfzerbrechen verursacht, sind Klassen n > 2, also wie in diesem Fall 3 Klassen.

Klasse 1 und 3 schneiden sich im Punkt x = 5 und hier ist auch der Schwellwert.
Wenn man alle drei Klassen zweichnet, dann liegt die zweite Klasse komplett in der ersten Klasse vom Intervall [1,6].
Ein Teil von Klasse 3 verläuft in Klasse 1 und 2.
Ein Teil von Klasse 1 und damit auch Klasse 2 befindet sich rechts vom Schwellwert in Klasse 3.
Also ich versuche gerade dies bildlich zu beschreiben, wie es links und rechts vom Schwellwert aussieht. Wenn man [mm] p(x|w_{i})P(w_{i}) [/mm] für i = 1,2,3 hingemalt hat, wird man es sehen.

Um die minimale Fehlerwahrscheinlichkeit zu berechnen, wird die folgende Formel verwendet:

P(Fehler) = [mm] P(w_{1})\integral_{5}^{6}{P(x|w_{1}) dx} [/mm] + [mm] P(w_{2}) \integral_{1}^{6}{P(x|w_{2}) dx} [/mm] + [mm] P(w_{3})\integral_{2}^{5}{P(x|w_{1}) dx} [/mm] = [mm] \frac{3}{5}\cdot\frac{1}{20} [/mm] + [mm] \frac{1}{5}\cdot [/mm] 1 + [mm] \frac{1}{5}\cdot\frac{9}{20} [/mm] = [mm] \frac{32}{100} [/mm] = 0.32

Leider kann ich dies nicht begründen und damit habe ich es nicht verstanden.

Wäre jemand so freundlich mir dies zu erklären, damit ich es auch für den Fall n>2 verstanden habe.

Gruß
ttl

        
Bezug
Bayes-Theorem: Klassifikation: Antwort
Status: (Antwort) fertig Status 
Datum: 10:52 Sa 06.09.2014
Autor: hanspeter.schmid

Die Fehlerwahrscheinlichkeit würdest Du so berechnen: es gibt drei Fälle, die Klassen 1, 2 und 3. Es gibt folglich auch drei Arten zu irren: Klasse 1 tritt ein und Du klassierst es falsch; Klasse 2 tritt ein und Du klassierst es falsch; Klasse 3 tritt ein und Du klassierst es falsch.

Die erste Wahrscheinlichkeit ist die W'keit, dass Klasse 1 eintritt, mal die bedingte Warscheinichkeit, dass falsch klassiert wird, wenn Klasse 1 eintritt:

$ [mm] P(w_{1})\cdot\integral_{B_1}{P(x|w_{1}) dx} \;,$ [/mm]

wobei über den Bereich [mm] $B_1$ [/mm] zu integrieren ist, in dem nicht als Klasse 1 klassiert wird. Das ist zwischen $5$ und $6$, also

$ [mm] P(w_{1})\integral_{5}^{6}{P(x|w_{1}) dx} \;,$ [/mm]

und so weiter für die anderen Klassen.

Hilft das?

Gruss,
Hanspeter


Bezug
                
Bezug
Bayes-Theorem: Klassifikation: Frage (beantwortet)
Status: (Frage) beantwortet Status 
Datum: 18:59 Sa 06.09.2014
Autor: ttl

Hi,

der dritte Fall verwirrt mich ein wenig. Dort wird die W'keit der Klasse 3 mit der bedingten Wahrscheinlichket [mm] p(x|w_{1}) [/mm] multipliziert.

Wieso?

Viele Grüße
ttl

Bezug
                        
Bezug
Bayes-Theorem: Klassifikation: Antwort
Status: (Antwort) fertig Status 
Datum: 17:16 So 07.09.2014
Autor: hanspeter.schmid

Das habe ich gar nicht beachtet, und es ist auch ganz einfach falsch.  Richtig ist

$ [mm] P(w_{3})\integral_{2}^{5}{P(x|w_{3}) dx} [/mm] $

Ich habe übrigens nicht kontrolliert, ob die Integrationsgrenzen wirklich stimmen. Nach meiner schnell gemachten Handskizze habe ich aber Zweifel, das wäre also noch zu kontrollieren.



Bezug
                                
Bezug
Bayes-Theorem: Klassifikation: Frage (beantwortet)
Status: (Frage) beantwortet Status 
Datum: 13:05 Mo 08.09.2014
Autor: ttl

Hi,

ich hätte dann eine weitere Frage, und zwar, wenn bestimmte Flächen zum Gesamtfehler mehrfach beitragen, muss man diese Flächen auch entsprechend mehrfach zum Gesamtfehler addieren?

Angenommen eine Fläche trägt zum Gesamtfehler dreimal bei. Muss man diese Fläche zum Gesamtfehler auch dreimal dazuaddieren?

Viele Grüße
ttl

Bezug
                                        
Bezug
Bayes-Theorem: Klassifikation: Antwort
Status: (Antwort) fertig Status 
Datum: 14:30 Mo 08.09.2014
Autor: hanspeter.schmid

Nehmen wir an, Du hast vier Klassen:

Klasse 1 für [mm] $x\in (-\infty,1)$ [/mm]
Klasse 2 für [mm] $x\in [/mm] [1,2)$
Klasse 3 für [mm] $x\in [/mm] [2,3)$
Klasse 4 für [mm] $x\in [4,\infty)$ [/mm]

Dann ist

[mm] $P(\mathrm{Fehler}) [/mm] = [mm] P(w_{1})\integral_{1}^{\infty}{P(x|w_{1}) dx} [/mm] + [mm] P(w_{2}) \left( \integral_{-\infty}^{1}{P(x|w_{2}) dx} + \integral_{2}^{\infty}{P(x|w_{2}) dx} \right) [/mm] + [mm] P(w_{3}) \left( \integral_{-\infty}^{2}{P(x|w_{3}) dx} + \integral_{3}^{\infty}{P(x|w_{3}) dx} \right) [/mm] + [mm] P(w_{4}) \integral_{-\infty}^{4}{P(x|w_{4}) dx} [/mm]  $

Dann kommt der Bereich $[1,2)$ in drei Integralen vor. Hast Du das gemeint mit "dreimal dazuaddieren"? Es ist ja dann nicht dreimal dieselbe Fläche, sondern dreimal die Fläche unter drei verschiedenen Kurven über dasselbe Intervall.


Bezug
                                                
Bezug
Bayes-Theorem: Klassifikation: Mitteilung
Status: (Mitteilung) Reaktion unnötig Status 
Datum: 23:54 Mo 08.09.2014
Autor: ttl

Hi,

genau das habe ich gemeint. :)

Vielen Dank!


Viele Grüße
ttl

Bezug
Ansicht: [ geschachtelt ] | ^ Forum "Uni-Stochastik"  | ^^ Alle Foren  | ^ Forenbaum  | Materialien


^ Seitenanfang ^
www.englischraum.de
[ Startseite | Forum | Wissen | Kurse | Mitglieder | Team | Impressum ]