读书笔记——《模式识别 Pattern Recognition》

第一章 导论

1. 模式识别的重要性
2. 特征、特征向量和分类器
3. 有监督、无监督和半监督学习
4. MATLAB程序

---

1.1 模式识别的重要性

模式识别的目的在于将对象进行分类，这些对象与应用领域有关，他们可以是图像、信号波形或者任何可测量且需要分类的对象。可以用专业术语“模式”（Pattern）来称呼这些对象。模式识别主要用于决策。
模式识别在机器视觉、字符识别、计算机辅助治疗（computer-aided diagnosis）、语音识别（speech recognition）、数据挖掘和知识探索还有指纹识别、签名认证、文本检索、表情手势识别等等领域。

1.2 特征、特征向量和分类器

用来分类的测量方法称为特征，由特征组成特征向量，每一个特征向量表示一个样本。用来设计分类器的样本（特征向量）的所属类是已知的，这些样本称为训练样本（训练特征向量）。
分类问题中的基本问题包括：

• 怎样得到特征？特征提取阶段的任务。
• 特征数L为多少最好？在实际问题中总是产生大量的特征以供选择。
• 对制定的任务选择了合适的特征后，怎样设计分类器？一般来说，不同类别的区域划分是非线性的，在L维特征空间中，采用什么样的非线性分类器以及采用什么样的优化准则，这些问题在分类器设计解决。
• 当分类器设计完毕后，如何评估分类器的性能？这是系统评估阶段的任务。

1.3 有监督、无监督和半监督学习

通过挖掘先验一直心系来设计分类器，这称为有监督模式识别（supervised pattern recognition）。另一种模式识别是没有已知类别标签的训练数据可用。在这种情况下，给定一组特征向量x来揭示潜在的相似性，并且将相似的特征向量分为一组，这就是无监督模式识别（unsupervised pattern recognition）或聚类（clustering）。

无监督模式主要用于确定两个特征向量之间的“相似度”以及合适的测度，并选择一个算法方案，基于选定的相似性测度对向量进行聚类（分组）。通常，不同的算法方案可能产生不同的结果，这一点必须由专家进行解释。
半监督学习/模式识别（semi-supervised learning/pattern recognition）与有监督模式识别有着同一目标。但是现在，设计者已经得到一系列原始未知类别的模式，外加已知类别的训练模式。通常我们称前者为标记数据，称后者为未标记数据。。。。。半监督学习参考周志华老师的文章

1.4 MATLAB程序

寻找资源下载