一、引言
感知器与贝叶斯分类器之间有一定的联系。在高斯环境下，贝叶斯分类器退化成线性分类器，这一节我们研究这种联系，并深入研究感知器的运行。首先复习下贝叶斯分类器。
二、贝叶斯分类器
在贝叶斯分类器和贝叶斯假设检验中，我们最小化平均风险，记为R。对二分类问题定义的平均风险为：
这里各项的定义如下：
H：训练集空间，
：类i
：观察向量取自子空间
的先验概率
：当真实类为
，决策类由子空间
代表为
的代价
：随机向量X的条件概率密度函数，假设观察向量x取自子空间
根据定义，我们很容易知道等式右边的头两项代表正确决策，后两项代表错误决策。每个决策通过两个因子乘积加权：作出决策的代价和先验概率。我们的目的就是最小化平均风险。
根据积分规则，我们可以改写上述规则，其等价式子为：
由概率论的知识可知：
因此，可以将等价式简化为：
等式右边头两项为固定代价，那么想要最小化平均风险，只需要最小化第三项即可。从积分式子可以看出，当被积函数为负数时，代价减少，它对代价做了一个负贡献，我们将使得被积函数为负数的观察向量x都归于子空间，相反，同理，不再赘述。当然使得被积函数为0的点可以随机分配。在此基础上，我们可以导出贝叶斯分类器公式：
假如条件：满足，那么我们将观察向量分配给类1，否则分配给类2。
为了简化公式，我们定义：
，
熟悉概率论的同学一看就明白，就是似然比，这里的
称为阈值。在概率论中，我们通常用对数似然比代替似然比，因为方便计算。
到此为止，我们已经讲述完了贝叶斯分类器的通解，下面我们单独讨论在高斯分布下的贝叶斯分类器。
三、高斯分布下的贝叶斯分类器
我们考虑高斯分布下二分类的问题，假设随机向量，那么该随机向量的均值
仅仅依赖于X是属于类1还是属于类2。也就是说：
：
，
：
，
其中的C代表协方差矩阵，即：
如果协方差矩阵为非对角矩阵，那么我们可以说样本之间是相关的，我们可以假设协方差矩阵是非奇异矩阵，那么在这个背景下，我们可以将X的条件概率密度函数变为多变量高斯分布：
m：观察向量X的维数
进一步假设：
1、
2、
好了，到了这里，我们可以简化我们的对数似然比：
对数似然比推导略有复杂，如果不清楚怎么推的小伙伴请私信我。
对阈值取对数得：
到了这里，我们不妨令：
即：
OK，相信小伙伴们都看出来了，当前的贝叶斯分类器在高斯环境下已经退化成了线性分类器。
四、高斯环境下贝叶斯分类器与感知器的区别
虽然在高斯环境下，贝叶斯分类器与感知器都是线性分类器，但是两者还是有细微而重要的差别，我们来看看：
1、感知器运行的前提是线性可分，而贝叶斯分类器是不需要的，为啥呢？因为贝叶斯分类器最小化分类误差的概率，按概率说话，与是否数据线性可分没有关系。
2、感知器收敛算法是一种非参数机器学习算法，而贝叶斯分类器是一种有参数机器学习算法。区别就在于你是否有一个最小化的目标，感知器没有最小化的目标，它只是通过关注误差来运行。
五、小结
好了，到此为止，我们比较了感知器与贝叶斯分类器，实践是检验真理的唯一标准，为了更深层次的理解贝叶斯分类器与感知器，建议你用python去实现它们的算法。下一节我们将利用双月模型，通过计算机实验来探究感知器的更深层次的东西。
