由以上可知最小错误率贝叶斯决策就是0--1损失函数条件下的最小风险贝叶斯决策[16]。由于损失函数的调整会造成不同的分类结果，当两类错误决策所造成的损失相差悬殊时，损失就会起到主导作用，形成基于最小风险的决策。
      
                       图8最小错误率与最小风险的对比
4. 结束语
本文研究了模式识别系统中的分类器设计重要设计方法，贝叶斯分类器设计方法。主要对贝叶斯分类器中的最小错误率和最小风险的分类器的设计进行了研究。在数学上可以严格的对贝叶斯分类器用一般的形式给出分析证明：在某些变量被给出的条件下，这样可以将分类所造成的平均损失达到最小，或者使分类决策所造成的风险达到最小[14]。因此，可以通过对分类器的分析将其极限性能计算出。分类器被贝叶斯决策采用的最重要的指标是“产生判别函数和决策面的依据是错误率”，并且给出了在最一般情况下被适用的“最优”分类器的设计方法，在理论上对各种不同的分类器设计技术都有指导意义。本文介绍了贝叶斯决策的基本概念、贝叶斯公式、基于最小错误率的贝叶斯决策、基于最小风险的贝叶斯决策；并介绍了基于最小错误率的贝叶斯分类实现方法和基于最小风险的贝叶斯分类实现方法。 贝叶斯分类器及其应用研究+源码+文献综述(8):http://www.youerw.com/tongxin/lunwen_1530.html