《PRML》第01章 引言（第1节 举例：多项式曲线拟合）

第01章 引言

第0节 概述

1. 模式识别定义：模式识别领域是通过使用计算机算法自动发现数据中的规律，并利用这些规律采取行动。
2. 举例：手写数字识别
3. 泛化能力定义：将训练集中未出现的数据正确分类的能力。泛化能力是模式识别的核心目标。
4. 在实际应用中，通常对输入进行预处理，目的有二：（1）模式识别问题更好处理；（2）计算加速。需要注意的是，对测试输入也要进行同样的预处理。
5. 监督学习：训练数据包含相应的目标向量。
6. 监督学习包括分类（目标向量为有限的离散类别）和回归（目标向量为连续变量）。
7. 无监督学习：训练数据不包含目标向量。
8. 无监督学习包括聚类（在数据中发现相似样本分组），密度估计（在输入空间中确定数据分布），降维（将数据从高维空间投影至2或3维数据，主要目的是可视化）。
9. 强化学习：在给定的情况下找到合适的行动来最大化回报的问题，通过反复试验给出最优输出。

第1节 举例：多项式曲线拟合

1. 假设获得实数输入变量$\mathbf{x}$，目的是预测实数目标变量$\mathbf{t}$的值。
2. 本节中考虑生成数据：$\mathbf{t}=\sin (2\pi \mathbf{x})$。
3. 假设给定数据集$\mathbf{x}\equiv (x_1,\dots ,x_N{)}^T$和$\mathbf{t}\equiv (t_1,\dots ,t_N{)}^T$。数据如下图所示。
   
4. 概率论为以精确和定量的方式表达这种不确定性提供了一个框架。
5. 决策理论允许我们利用这种概率表示，以便根据适当的标准做出最优的预测。