> For the complete documentation index, see [llms.txt](https://aye10032.gitbook.io/prml-note/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://aye10032.gitbook.io/prml-note/di-san-zhang-pan-bie-shi-fen-lei-qi/3.2-xian-xing-pan-bie-han-shu.md).
# 3.2 线性判别函数
## 3.2.1 线性判别函数
### 两类问题的判别函数
假设x是二维模式样本$$x=(x\_1\ x\_2)^T$$，模式的平面图如下：
此时，分属于$$\omega\_1$$和$$\omega\_2$$两类的模式可以用一个直线方程进行划分：
$$
d(x) = w\_1x\_1 + w\_2x\_2 + w\_3 = 0
$$
其中，$$x\_1$$、$$x\_2$$称为**坐标变量**，$$w\_1$$、$$w\_2$$、$$w\_3$$称为**参数方程**，则将一个位置模式带入，有：
* 若$$d(x)>0$$，则$$x\in \omega\_1$$
* 若$$d(x)<0$$，则$$x\in \omega\_2$$
此处的$$d(x)=0$$就称为**判别函数**
### 用判别函数进行分类的两个因素
* **判别函数的****几何性质**
* 线性的
* 非线性的
* **判别函数的****系数**：使用给定的模式样本确定判别函数的系数
### n维线性判别函数
一个n维线性判别函数可以写为：
$$
d(x)=w\_1x\_1 + w\_2x\_2 + \cdots + w\_nx\_n + w\_{n+1} = w\_0^Tx + w\_{n+1}
$$
其中，$$\boldsymbol{w}\_0=(w\_1,w\_2,\dots,w\_n)^T$$称为**权向量**
此外，$$d(x)$$还可以写为：
$$
d(x)=w^Tx
$$
其中，$$\boldsymbol{x}=(x\_1,x\_2,\dots,x\_n,1)$$称为**增广模式向量**，$$\boldsymbol{w}*0=(w\_1,w\_2,\dots,w\_n,w*{n+1})^T$$称为**增广权向量**
## 3.2.2 线性判别函数的三种形式
### 一、$$\omega\_i\backslash\overline{\omega\_i}$$两分法
每条判别函数只区分是否属于某一类
上图中，白色区域为分类失败区域
* 将M分类问题分为M个单独的分类问题
* 需要M条线
* 不一定能够找到判别函数区分开其它所有类别
### 二、$$\omega\_i\backslash\overline{\omega\_j}$$两分法
每一条线分开两种类别
### 三、类别1转化为类别2
可以通过以下方式将方式1的判别函数转化为方式2的：
$$
d\_{12}(x) = d\_1(x) - d\_2(x) = 0 \ d\_{13}(x) = d\_1(x) - d\_3(x) = 0 \ d\_{23}(x) = d\_2(x) - d\_3(x) = 0
$$
### 四、小结
* **线性可分**：模式分类若可以用任一**线性函数**划分，则称这些模式是**线性可分**的
* 一旦线性函数的系数$$w\_k$$被确定，则此函数就可以作为分类的基础
* 两种分类法的比较
* 对于M分类，法一需要M个判别函数，法二需要$$\frac{M(M-1)}{2}$$个判别函数，因此当模式较多时，法二需要更多的判别函数
* 但是对于法一而言，并不是每一种情况都是线性可分的，因此法二对模式是线性可分的概率比法一大
## 绘图代码
```python
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-5, 10, 100)
y1 = x
y2 = -x + 5
y3 = np.ones_like(x)
plt.plot(x, y1, label='$d_1(x)=-x_1+x_2 = 0$')
plt.plot(x, y2, label='$d_2(x)=x_1+x_2-5 = 0$')
plt.plot(x, y3, label='$d_3(x)=-x_2+1 = 0$')
plt.axhline(y=0, color='black', linestyle='--', linewidth=0.8)
plt.xlabel('$x_1$')
plt.ylabel('$x_2$')
plt.axvline(x=0, color='black', linestyle='--', linewidth=0.8)
plt.fill_between(x, y2, np.maximum(y1, y3), where=(x <= 2.5), color='blue', alpha=0.2)
plt.fill_between(x, y1, np.maximum(y2, y3), where=(x >= 2.5), color='orange', alpha=0.2)
plt.fill([-5, 1, 4, 10], [-5, 1, 1, -5], color='green', alpha=0.2)
plt.annotate('$\\omega_1$\n$d_1(x)>0$\n$d_2(x)<0$\n$d_3(x)<0$',
xy=(-4, 6), xytext=(-4, 4), fontsize=12, color='black')
plt.annotate('$\\omega_2$\n$d_2(x)>0$\n$d_1(x)<0$\n$d_3(x)<0$',
xy=(7, 6), xytext=(7, 3), fontsize=12, color='black')
plt.annotate('$\\omega_3$\n$d_3(x)>0$\n$d_1(x)<0$\n$d_2(x)<0$',
xy=(-1, -4), xytext=(1, -4), fontsize=12, color='black')
plt.xlim(-5, 10)
plt.ylim(-5, 10)
plt.legend(loc='lower right')
plt.show()
```
```python
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-5, 10, 100)
y = np.linspace(-5, 10, 100)
y1 = x
y2 = -x + 5
x1 = np.full_like(y, 2)
plt.plot(x, y1, label='$d_{23}(x)=-x_1+x_2 = 0$')
plt.plot(x, y2, label='$d_{12}(x)=x_1+x_2-5 = 0$')
plt.plot(x1, y, label='$d_{13}(x)=-x_1+2 = 0$')
plt.axhline(y=0, color='black', linestyle='--', linewidth=0.8)
plt.xlabel('$x_1$')
plt.ylabel('$x_2$')
plt.axvline(x=0, color='black', linestyle='--', linewidth=0.8)
plt.fill_between(x, np.maximum(y1, y2), 10 * np.ones_like(x), color='blue', alpha=0.2)
plt.fill_between(x, y2, -5 * np.ones_like(x), where=(x <= 2), color='orange', alpha=0.2)
plt.fill_between(x, y1, -5 * np.ones_like(x), where=(x > 1.9), color='green', alpha=0.2)
plt.annotate('$\\omega_1$\n$d_{12}(x)>0$\n$d_{13}(x)>0$',
xy=(-3, 2), xytext=(-3, 2), fontsize=12, color='black')
plt.annotate('$\\omega_2$\n$d_{32}(x)>0$\n$d_{12}(x)>0$',
xy=(1, 6), xytext=(1, 5), fontsize=12, color='black')
plt.annotate('$\\omega_3$\n$d_{32}(x)>0$\n$d_{13}(x)>0$',
xy=(6, 1), xytext=(6, 1), fontsize=12, color='black')
plt.xlim(-5, 10)
plt.ylim(-5, 10)
plt.grid(True)
plt.legend(loc='lower right')
plt.show()
```