2.1 引言

模式识别的分类问题是根据识别对象特征的观察值将其分到某个类别中去。
贝叶斯（Bayes）决策理论方法是统计模式识别中的一个基本方法，用这个方法进行分类时要求：
（1）各分类总体的概率分布是已知的；
（2）要决策分类的类别数是一定的。

（如何利用贝叶斯理论方法，在先验概率及类条件概率已知的情况下，把得到的某一特征向量x分到哪一类去才合理？）

2.2 几种常用的决策规则

2.2.1 基于最小错误率的贝叶斯决策

减少分类的错误，利用概率论中的贝叶斯公式，就能得出使错误率为最小的分类规则，称之为基于最小错误率的贝叶斯决策。

2.2.2 基于最小风险的贝叶斯决策

使错误率P(e)达到最小是重要的。但实际上有时需要考虑一个比错误率更为广泛的概念——风险，风险又是和损失紧密相连的。

最小错误率与风险最小的贝叶斯决策之间的关系

设损失函数为：

最小错误率贝叶斯决策就是在 0-1 损失函数条件下的最小风险贝叶斯决策。

2.2.3 在限定一类错误率条件下使另一类错误率为最小的二类别决策

2.2.4 最小最大决策

2.2.5 序贯分类方法

(没看懂：考虑获取特征所花代价)

2.2.6 分类器设计

2.3 正态分布时的统计决策

2.3.1 正态分布概率密度函数的定义及性质

1.单变量正态分布

2.多元正态分布

2.3.2 多元正太概率下的最小错误率贝叶斯判别函数和决策面

2.4 关于分类器的错误率问题

2.4.1在一些特殊情况下错误率的理论计算

2.4.2 错误率的上界

2.5 讨论