Asymptotic optimality in pattern recognition learning algorithms

The article presents the Bayes’ decision problem in which probability distributions of features are unknown, describes the pattern recognition learning algorithm based on nonparametric Loftsgaarden/Quesenberry method of estimating probability density function and proves its asymptotic optimality. The application of the algorithm to solve practical problem of digital fundus eye images classification into normal and glaucomatous ones is also shown.

---

W artykule przedstawiono decyzyjny problem Bayesa w sytuacji braku danych o rozkładach prawdopodobieństwa, szczegółowo opisano algorytm uczenia rozpoznawania oparty na nieparametrycznej metodzie Loftsgaardena/Quesenberry’ego oszacowania gęstości prawdopodobieństwa i wykazano jego asymptotyczną optymalność. Pokazano również zastosowanie tego algorytmu dla rozwiązania praktycznego zagadnienia klasyfikacji osób chorych na jaskrę na podstawie obrazów dna oka.