第4回
特徴空間の次元数とパターン数
- パターンが少なければ、線形分離が簡単にできてしまうが、正しくクラスを識別できない可能性がある。
- 特徴相互に強い相関がある場合、見かけの次元数よりも小さい次元数（本質的な次元：intrinsic dimensionality）で表すことができる。
例 x=(x1,x2) x1=cos(a),x2=sin(a) ならばxは1次元
多クラスにおける学習（若干復習）
（式2・27あたり参照）
デモ
マガーク効果（目で聞く）
唇の動きは「が」、音声は「ば」を重ねてみると、「だ」と言っているように感じられる。
人間の聴覚について
人間の聴覚は音を組み立てなおしている（脳で聞いている）
実験1 別々に聞けば分かる音を繋げると良く分からない
実験2 別々に聞くと分からない音を繋げると良く分かる
実験3 別の音源から出た音が重なっていると、時間的な位置関係がうまく認知できない。
デモ終了
線形識別関数を用いた多クラスの識別（P59）
多クラスは線形分離可能なものとして扱う
最初の演習でやったのとは異なり、任意の2つのクラスのペアについて線形識別関数を用いることによって分離を行う。
クラス数がcとすると、c(c-1)/2個の線形識別関数が定義される。
→すべてのj≠iについて、g_{ij}(x)>0ならば ｘ∈ωiと判断する
（すべてのiに関係ある識別関数がiの側であると判断したらOKってこと）
線形分離によって、判定不能なエリアができてしまうことがある。（図4・1参照）
多数決(majority voting)法
すべての識別関数について、xがどちらのクラスに属するかを判定し、もっともスコアが高くなるクラスに属すると識別結果を出力する。クラスが多くなると良くなるらしい。
（とりあえず全部やってしまうのがイイ感じ。）
