不同类型的分类模型

1、贝叶斯决策理论

研究了模式类的概率结构完全知道的理想情况。

这种情况很少在实际中出现，但是它为我们提供了一个能与其他分类器作对比的评价依据。

2、最大似然和贝叶斯参数估计

研究了当模式类的概率结构未知，但一般的分布形式已知的情况下的问题。

此时的概率分布中存在的不确定性是由若干参数值未知所引起的。我们要做的是尝试估计出正确的参数值。

3、非参数技术

更加远离贝叶斯理想情况。甚至连参数化的先验分布形式的任何知识都没有。

分类型必须基本上只利用输入训练样本自身提供的信息来工作。

4、无监督学习和聚类

在输入训练样本的类别标签未知的情况下，识别器如何发现聚类结构。

 

其他概念：

①线性判别函数

研究参数估计的一般方法。

②随机方法

模拟退火算法和玻尔兹曼学习算法。（能够克服神经网络计算所遇到的困难部分）

③非度量方法

不再给予统计模型。研究可以用逻辑规则表达的一类问题。

如，树分类算法、串的识别、基于文法规则的句法（结构）识别等

 

转载于:https://www.cnblogs.com/elaron/archive/2012/10/18/2729938.html