在老师的旁敲侧击之下加快了我对人工智能的学习脚步。
模式识别导言
人工智能==>机器能够到达人的水平
自主完成 感知 决策 行动 。而感知阶段就是最基础的部分。
感觉+认知=感知 ——>模式识别
~什么是模式识别?
答:依据事物的特征进行概念归类
识别的基础是认知
认知(cognition):获取某种事物的特征==>概念抽象
识别(Re-cognition):根据特征决定某个具体的事= =>概念归类
模式就是共同特征
os:模式识别就是认识了某些事物后,将事物的概念抽象成特征,将特征分类为后面新的实体再次进行识别和分类。
应用领域
人脸识别 语言识别 自然语言理解 手势识别 脑电识别 目标跟踪…
这个案例太可爱了好好玩!
学习目标&主要内容
一、模式识别系统
1.1基本概念
具体事物=>样本
样本特性=>特征1+特征2+…+特征n=特征空间
相似度:特征空间的点之间的相似程度计算
——————————————————————————————————————————————————
特征空间的表达:1.向量空间(相似度用某种距离来表达)
2.集合空间
——————————————————————————————————————————————————
1.1.1分类器
同一组样本中=>类内相似度
不同样本组中=>类间相似度
1.1.2紧致性转准则:
类内相似度>>类间相似度
增加特征维度可以提高紧致性,增加过多维度会产生维数灾难导致计算量激增。
特征维数越高——>样本集约稀疏——> 紧致性越差——> 分类器分类越差
解决方案:添加特征维度时同时增加样本集&降低维度,提升效能
1.1.3 相似度度量
距离度量:
a)正定性
b)对称性计算部分顺序
c)传递性
非距离:
a)余弦相似度
b)皮尔逊相似度
d)jaccard(X,Y)
os:我用mathType编辑好公式后发现不能粘贴过来,那也没办法咯!
1.1.4分类器的泛化能力&过拟合
泛化能力:指分类器不仅用于样本中的样本分类,也要运用于新的数据分类的能力。
过拟合:过分追求训练集样本中的样本的正确性,导致泛化性降低。
1.1.5模式识别系统组成
如图所示
1.2模式识别算法体系
线性分类器:寻找线性分类决策边界实行特征中的点,根据样本特征取值和分布确定决策规则。
神经网络分类器:对生物神经网络系统的模拟,本质是高度非线性的统计分类器。