模式识别—绪论（基础概念）

---

模式识别系统组成

 信息获取

 信息获取很容易理解，即对信号、图像、数据的采集，要用计算机可以运算的符号来表示所研究的对象。

 预处理

 预处理即是在对获取的数据进行学习前先对数据进行处理。

 在现实生活中获取的数据往往会含有缺失值之类的问题，得采取一些方法对含有缺失值的样本进行处理。如：在分类男女生时，某一位同学填写了其他信息而没有填写体重一项。
 现实生活中还存在另外一种情况，如：图像含有大量的噪声，我们得对图像进行预处理减小、消除噪声。同时图像中某些信息对分类很有用，我们得采取措施加强有用的信息。
 总之，预处理目标就是减小、消除干扰；加强有用信息。

 特征选择和提取（也称变换）

 现实生活中，为了更好的分类，获取的数据往往会含有大量的特征，这将导致维度灾难（简单理解为一个样本含有的特征太多），使用特征选择方法或者特征提取方法合理地减少特征维度。

 分类器设计

 即学习训练的过程。使用一定数量的样本，确定某种判别准则；通过反复输入、修正；直到分类错误率不超过给定值为止；完成学习过程。
$$训练学习方法\{\begin{array}{l}监督学习：给予程序样本分类的正确结果\\ 无监督学习：仅给予程序样本而不给予正确结果，让其自己进行分类\\ 半监督学习：前两者的结合\end{array}$$

 性能评估

 即使用某种判别准则来评估训练模型的性能。

 分类决策

 使用已学习训练好的分类器去进行未知样本的分类。

---

基础概念

 样本

 一个具体的客观的研究对象

 模式

 模式就是对象的组成成分或影响因素间存在的规律性关系，或者是因素间存在确定性或随机性规律的对象、过程或事件的集合。

 特征

 能描述模式特性的量。通常对象具有多个特征，使用特征向量$\vec{x}=(\overrightarrow{x_1},\overrightarrow{x_2},\overrightarrow{x_3},...{)}^T$来表示。
 对于许多对象而言，拥有不同的特征向量值，各个特征向量都是多维随机变量。即许多对象的特征向量在n维空间中呈随机分布，称为随机矢量$\vec{X}=(\overrightarrow{X_1},\overrightarrow{X_2},\overrightarrow{X_3},...{)}^T$。

---

目录

基于贝叶斯决策理论的分类器