课前思考
　　1、 机器自动识别分类，能不能避免错分类，如汉字识别能不能做到百分之百正确？怎样才能减少错误？
　　2、 错分类往往难以避免，因此就要考虑减小因错分类造成的危害损失，譬如对病理切片进行分析，有可能将正确切片误判为癌症切片，反过来也可能将癌症病人误判为正常人，这两种错误造成的损失一样吗？看来后一种错误更可怕，那么有没有可能对后一种错误严格控制？
　　3、 概率论中讲的先验概率，后验概率与概率密度函数等概念还记得吗？什么是贝叶斯公式？
　　4、 什么叫正态分布？什么叫期望值？什么叫方差？为什么说正态分布是最重要的分布之一？

学习目标
　　这一章是模式识别的重要理论基础，它用概率论的概念分析造成错分类和识别错误的根源，并说明与哪些量有关系。在这个基础上指出了什么条件下能使错误率最小。有时不同的错误分类造成的损失会不相同，因此如果错分类不可避免，那么有没有可能对危害大的错分类实行控制。对于这两方面的概念要求理解透彻。
　　这一章会将分类与计算某种函数联系起来，并在此基础上定义了一些术语，如判别函数、决策面(分界面)，决策域等，要正确掌握其含义。
　　这一章会涉及设计一个分类器的最基本方法——设计准则函数，并使所设计的分类器达到准则函数的极值，即最优解，要理解这一最基本的做法。这一章会开始涉及一些具体的计算，公式推导、证明等，应通过学习提高这方面的理解能力，并通过习题、思考题提高自己这方面的能力。

本章要点
　　1、 机器自动识别出现错分类的条件，错分类的可能性如何计算，如何实现使错分类出现可能性最小——基于最小错误率的Bayes决策理论
　　2、 如何减小危害大的错分类情况——基于最小错误风险的Bayes决策理论
　　3、 模式识别的基本计算框架——制定准则函数，实现准则函数极值化的分类器设计方法
　　4、 正态分布条件下的分类器设计
　　5、 判别函数、决策面、决策方程等术语的概念
　　6、 Bayes决策理论的理论意义与在实践中所遇到的困难

难点
　　1、 三种概率：先验概率、类概率密度函数、后验概率的定义
　　2、 三种概率之间的关系——Bayes公式
　　3、 描述随机变量分布的一些定义，如期望值、方差、尤其是协方差、协方差矩阵，其定义、计算方法及内在含义，透彻掌握其含义才会做到灵活运用。

知识点