下载掌阅APP，畅读海量书库
立即打开
对原特征空间进行优化之后，就要对优化的结果进行评价，通过反复选择不同的特征组合，采用定量分析比较的方法，判断所得到的特征维数，及所使用特征是否对分类最有利，这种用以定量检验分类性能的准则称为类别可分离性判据，用来检验不同的特征组合对分类性能好坏的影响。对特征空间进行优化是一种计算过程，它的基本方法仍然是模式识别的典型方法，即找到一种准则（或称判据），通常用一种式子表示，使这种计算准则达到一个极值。对特征评估的方法大体分两类：一类以计算样品在特征空间离散程度为基础的准则，称为基于距离的可分性判据；另一类则基于概率密度分布的判据。
下面介绍基于距离的可分性判据。
给定一组表示联合分布的训练集，假定每一类的模式向量在观察空间中占据不同的区域是合理的，类别模式间的距离或平均距离则是模式空间中类别可分离性的度量。基于距离的可分性判据的出发点：各类样本之间的距离越大、类内散度越小，则类别的可分性越好。基于距离的可分性判据直接依靠样本计算，直观简捷，物理概念清晰，因此目前应用较为广泛。
在一个特征候选集 X ＝［ x 1 ， x 2 ，…， x n ］所定义的 n 维特征空间中，用 d （ X ik ， X jl ）表示第 i 类中第 k 个样品和第 j 类中第 l 个样品间距离的度量值，距离度量 d 可采用式（2‐3）定义的欧几里德距离计算：
类间的平均距离可采用式（2‐4）计算：
考虑到式（2‐4）的计算比较复杂，可将其转化为相应的矩阵来度量和处理。
（1）总体散布矩阵
①第 i 类均值向量
②样本集总体均值向量
③第 i 类协方差
④样本总体协方差
⑤第 i 类类内散布矩阵
⑥总体类内散布矩阵
⑦总体类间散布矩阵
特别对于两类问题
⑧总体散布矩阵
存在关系
类内散布矩阵表征各样本点围绕它的均值的散布情况，类间散布均值表征各类间的距离分布情况，它们依赖于样本类别属性和划分；而总体散布矩阵与样本划分及类别属性无关。
（2）构造准则
以类内散布矩阵 S W ，类间散布矩阵 S B 和总体散布矩阵 S T 为基础的一些准则如下。
①均方误差最小准则，即迹准则
或 J＝ det（ S W ）（2‐16）
②类间距离最大准则
J＝tr （ S B ）或 J＝ det（ S B ）（2‐17）
③行列式准则
基于距离的可分性判据的出发点是：各类样本之间的距离越大、类内散度越小，则类别的可分性越好。基于距离的可分性判据直接依靠样本计算，直观简捷，物理概念清晰，因此目前应用较为广泛。