国科大《模式识别》课程总结

判别模型：由数据直接学习决策函数或条件概率分布，输入X即输出Y。学习不同样本之间的区别。
生成模型：通过学习联合概率分布计算条件概率分布，学习到的是输入X与输出Y的关系。学习数据分布的内在规律。分为三种方法：1）参数法、2）半参数法、3）非参数法

1、贝叶斯决策理论

1.1基本理论

后验概率：
$$p({\omega }_i|x)=\frac{p(x|{\omega }_i)p({\omega }_i)}{p(x)},\sum _{i=1}^{c}p({\omega }_i|x)=1$$
最小错误率决策：$p(erroe|x)=min[p({\omega }_1|x),p({\omega }_2|x)]$，分类时基于最大后验概率。

最小风险决策：引入决策代价${\lambda }_{ij}=\lambda ({\alpha }_i|{\omega }_j)$，即将真实j类错分为i类的代价。此时条件风险为：
$$\begin{gathered} R({\alpha }_i|x)=\sum _{j=1}^c\lambda ({\alpha }_i|{\omega }_j)p({\omega }_j|x) \\ R=\int R(\alpha (x)|x)p(x)dx \end{gathered}$$
对于二分类问题，有
$$\begin{gathered} R({\alpha }_1|x)={\lambda }_{11}p({\omega }_1|x)+{\lambda }_{12}p({\omega }_2|x) \\ R({\alpha }_2|x)={\lambda }_{21}p({\omega }_1|x)+{\lambda }_{22}p({\omega }_2|x) \end{gathered}$$
最小错误率分类：对应于决策代价为0-1损失。此时
$$\begin{array}{rl}R({\alpha }_i|x)& =\sum _{j=1}^c\lambda ({\alpha }_i|{\omega }_i)p({\omega }_j|x)\\ & =\sum _{j\ne i}p({\omega }_j|x)\\ & =1-p({\omega }_i|x)\end{array}$$带拒识的决策：决策代价为：
$$\begin{array}{r}\lambda ({\alpha }_i|{\omega }_j)=\{\begin{array}{ll}0& i=j\\ {\lambda }_s& i\ne j\\ {\lambda }_r& reject\end{array}\end{array}$$则条件风险为：
$$\begin{array}{r}{R}_i(\mathrm{x})=\{\begin{array}{ll}{\lambda }_s[1-p({\omega }_i|\mathrm{x})]& i=1,\mathrm{2...}c\\ {\lambda }_r& reject\end{array}\end{array}$$ 开放集分类贝叶斯决策： c个类中再加一个未知类别，假设条件概率$p(x|{\omega }_{\mathrm{c}+1})=\rho$，是一个很小的数。
判别函数： $argmax{g}_i(x)$，可以是最大化后验概率或最小化条件风险。
决策面： 特征空间中判别函数相等的点的合集。
类条件密度估计：
贝叶斯决策的核心是类条件概率密度的估计，可以分为参数法、半参数法和非参数法三类方法。
1、参数法：假定概率密度函数的形式为：$p(x|{\omega }_{\mathrm{i}})=\mathrm{p}(x|{\theta }_{\mathrm{i}})$，函数可以服从高斯分布、伽马分布、伯努利分布。参数估计方法有：最大似然估计、贝叶斯估计。
2、半参数法：近似任意概率分布，即高斯混合模型（GMM），估计方法为期望最大化（EM）。
3、非参数法：可以表示任意概率分布，没有函数形式，如帕森窗、K近邻。

1.2高斯分布：

在给定均值和方差的所有分布中，正态分布的熵最大，且根据中心极限定理，大量独立随机变量之和趋近于正态分布。
$$p(x)=\frac{1}{\sqrt{2\pi }\sigma }exp\left[-\frac{1}{2}{\left(\frac{x-\mu }{\sigma }\right)}^2\right]$$多变量：
$$p(x)=\frac{1}{(2\pi {)}^{d/2}|\Sigma {|}^{1/2}}exp\left[-\frac{1}{2}(x-\mu {)}^t{\Sigma }^{-1}(x-\mu )\right]$$如果$x_i$与$x_j$相互独立，则协方差矩阵退化为对角矩阵。协方差矩阵刻画的等密度点轨迹是一个超椭球面，越靠近中心密度越大，且同一椭球面上的概率密度相等（马氏距离相等）。
协方差矩阵的性质：
1、做特征值分解：$\Sigma =\Phi \Lambda {\Phi }^T$，其中$\Phi$是单位正交矩阵，应用：PCA降维。
2、线性变换：
对角化；$A=\Phi$，$A^t\Sigma A=\Lambda$，将坐标轴旋转。
白化变换：$A_w=\Phi {\Lambda }^{-1/2}$，$A_w^t\Sigma A_w=I$，变换为单位矩阵。

1.3高斯密度下的判别函数：

$$\begin{array}{rl}{g}_i(\mathrm{x})& =lnp(x|{\omega }_{\mathrm{i}})+\ln \mathrm{p}({\omega }_{\mathrm{i}})\\ p(x|{\omega }_{\mathrm{i}})& =\frac{1}{(2\pi {)}^{d/2}|{\Sigma }_i{|}^{1/2}}exp\left[-\frac{1}{2}(x-{\mu }_i{)}^t{\Sigma }_i^{-1}(x-{\mu }_i)\right]\\ g_i(\mathrm{x})& =-\frac{1}{2}(x-{\mu }_i{)}^t{\Sigma }_i^{-1}(x-{\mu }_i)-\frac{1}{2}ln2\pi -\frac{1}{2}ln|{\Sigma }_i|+lnp({\omega }_i)\end{array}$$ 是一个二次函数，讨论以下类别：
1、当${\Sigma }_i=|{\sigma }^2|$时，即方差相等，协方差为0，带入并忽略与类别无关项，得到线性判别函数：
$$g_i(\mathrm{x})=-\frac{1}{2{\sigma }^2}(-2{\mu }_{\mathrm{i}}^{\mathrm{t}}\mathrm{x}+{\mu }_{\mathrm{i}}^{\mathrm{t}}{\mu }_{\mathrm{i}})+\ln \mathrm{p}({\omega }_{\mathrm{i}})={\mathrm{w}}_{\mathrm{i}}^{\mathrm{t}}\mathrm{x}+{\mathrm{b}}_{\mathrm{i}}$$二分类决策面：$g_i(\mathrm{x})={\mathrm{g}}_{\mathrm{j}}(\mathrm{x})$可以推出${\mathrm{w}}^{\mathrm{t}}(\mathrm{x}-{\mathrm{x}}_0)=0$，其中$\mathrm{w}={\mu }_{\mathrm{i}}-{\mu }_{\mathrm{j}}$，
$${\mathrm{x}}_0=\frac{1}{2}({\mu }_{\mathrm{i}}={\mu }_{\mathrm{j}})-\frac{{\sigma }^2}{||{\mu }_{\mathrm{i}}-{\mu }_{\mathrm{j}}|{|}^2}\ln \frac{\mathrm{p}({\omega }_{\mathrm{i}})}{\mathrm{p}({\omega }_{\mathrm{j}})}({\mu }_{\mathrm{i}}-{\mu }_{\mathrm{j}})$$可以看出当先验概率不同时，分界面向先验概率小的一侧移动。决策面与${\mu }_i-{\mu }_j$垂直。
2、所有类别共享协方差矩阵${\Sigma }_i=\Sigma$，此时决策函数变为：
$$g_i(\mathrm{x})=-\frac{1}{2}(\mathrm{x}-{\mu }_{\mathrm{i}}{)}^{\mathrm{t}}{\mathrm{\Sigma }}^{-1}(\mathrm{x}-{\mu }_{\mathrm{i}})+\ln \mathrm{p}({\omega }_{\mathrm{i}})$$二分类决策面：$g_i(\mathrm{x})={\mathrm{g}}_{\mathrm{j}}(\mathrm{x})$可以推出${\mathrm{w}}^{\mathrm{t}}(\mathrm{x}-{\mathrm{x}}_0)=0$，其中$\mathrm{w}={\mathrm{\Sigma }}^{-1}({\mu }_{\mathrm{i}}-{\mu }_{\mathrm{j}})$，
$${\mathrm{x}}_0=\frac{1}{2}({\mu }_{\mathrm{i}}={\mu }_{\mathrm{j}})-\frac{1}{({\mu }_{\mathrm{i}}-{\mu }_{\mathrm{j}}{)}^{\mathrm{t}}{\mathrm{\Sigma }}^{-1}({\mu }_{\mathrm{i}}-{\mu }_{\mathrm{j}})}\ln \frac{\mathrm{p}({\omega }_{\mathrm{i}})}{\mathrm{p}({\omega }_{\mathrm{j}})}({\mu }_{\mathrm{i}}-{\mu }_{\mathrm{j}})$$可以看出当先验概率不同时，分界面向先验概率小的一侧移动。
3、$\Sigma$为任意对称矩阵。此时$g_i(\mathrm{x})={\mathrm{x}}^{\mathrm{t}}{\mathrm{W}}_{\mathrm{i}}\mathrm{x}+{\mathrm{w}}_{\mathrm{i}}^{\mathrm{t}}\mathrm{x}+{\omega }_{i0}$，其中有$W_i=-\frac{1}{2}{\Sigma }_i^{-1}$，$w_i={\Sigma }_i^{-1}{\mu }_i$，${\omega }_{i0}=-\frac{1}{2}{\mu }_{\mathrm{i}}^{\mathrm{t}}{\mathrm{\Sigma }}^{-1}{\mu }_{\mathrm{i}}-\frac{1}{2}\ln |{\mathrm{\Sigma }}_{\mathrm{i}}|+\ln \mathrm{p}({\omega }_{\mathrm{i}})$，其二类决策面是一个超曲面。

1.4分类错误率：

2类的情况
$$\begin{array}{rl}P(error)& =P(x\in R_2,{\omega }_1)+P(x\in R_1,{\omega }_2)\\ & =P(x\in R_2|{\omega }_1)P({\omega }_1)+P(x\in R_1|{\omega }_2)P({\omega }_2)\\ & ={\int }_{R_2}p(x|{\omega }_1)P({\omega }_1)dx+{\int }_{R_1}p(x|{\omega }_2)P({\omega }_2)dx\end{array}$$其中${\int }_{R_2}$表示为对第二类决策区域做积分，见下图：

当似然度相等时，即联合概率相等时，分类错误率最小。推广到多类：
$$P(error)=\sum _{\mathrm{i}=1}^{\mathrm{c}}{\int }_{{\mathrm{R}}_{\mathrm{i}}}\mathrm{p}(x|{\omega }_{\mathrm{i}})\mathrm{P}({\omega }_{\mathrm{i}})\mathrm{dx}$$(0-1loss)时最大后验概率决策的错误率：
$$\begin{array}{rl}P(correct)& ={\int }_x\underset{i}{\max }p(x|{\omega }_i)P({\omega }_i)dx\\ & ={\int }_x\underset{i}{\max }P({\omega }_i|x)p(x)dx\\ P(error)& ={\int }_x\left[1-\underset{i}{\max }P({\omega }_i|x)\right]p(x)dx\end{array}$$贝叶斯分类器是最优的分类器，但通常概率密度、条件风险无法准确估计。

1.5离散变量贝叶斯决策

独立二值特征;
$$\begin{gathered} p(x)=p(x_1{x}_2...x_d)=\prod _{i=1}^{d}p(x_i),x_i=0or1 \\ {p}_i=Prob(x_i=1|{\omega }_1),q_i=Prob(x_i=1|{\omega }_2) \end{gathered}$$则：
$$\begin{gathered} P(x|{\omega }_1)=\prod _{i=1}^d{p}_i^{x_i}(1-p_i{)}^{1-x_i} \\ P(x|{\omega }_2)=\prod _{i=1}^d{q}_i^{x_i}(1-q_i{)}^{1-x_i} \end{gathered}$$此时判别函数为
$$\mathrm{g}(\mathrm{x})=\log \frac{\mathrm{p}(x|{\omega }_1)\mathrm{P}({\omega }_1)}{\mathrm{p}(x|{\omega }_2)\mathrm{P}({\omega }_2)}$$展开后是一个线性判别函数$\mathrm{g}(\mathrm{x})={\sum }_{\mathrm{i}=1}^{\mathrm{d}}{\omega }_{\mathrm{i}}{\mathrm{x}}_{\mathrm{i}}+{\omega }_0$，其中${\omega }_i=ln\frac{p_i(1-q_i)}{q_i(1-p_i)}i=1,...,d$可以看出，当$p_i=q_i$时，两类在第i个特征维度上没有区分性。

2、参数估计

两个方法：
1）最大似然估计：假设参数为一个确定值，似然度最大时为最优估计。
2）贝叶斯估计：假设参数为随机变量，估计其分布。

2.1最大似然估计

$$\begin{gathered} p(D|\theta )=\prod _{k=1}^{n}p(x_k|\theta )⟷\sum _{k=1}^{n}lnp(x_k|\theta ) \\ \underset{\theta }{\max }p(D|\theta )⟷{▽}_{\theta }p(D|\theta )=0 \end{gathered}$$ 均值和方差未知的高斯参数估计： ${\theta }_1=\mu ,{\theta }_2={\sigma }^2$:
$$\begin{gathered} lnp(x_k|\theta )=-\frac{1}{2}ln(2\pi {\theta }_2)-\frac{1}{2{\theta }_2}(x_k-{\theta }_1{)}^2 \\ {▽}_{\theta }lnp(x_k|\theta )=\left[\begin{array}{c}\frac{1}{{\theta }_2}(x_k-{\theta }_1)\\ -\frac{1}{2{\theta }_2}+\frac{(x_k-{\theta }_1{)}^2}{2{\theta }_2^2}\end{array}\right]=\left[\begin{array}{c}0\\ 0\end{array}\right] \end{gathered}$$可以解得：
$$\begin{gathered} \hat{\mu }=\frac{1}{n}\sum _{k=1}^n{x}_k \\ {\hat{\sigma }}^2=\frac{1}{n}\sum _{k=1}^n(x_k-\hat{\mu }{)}^2 \end{gathered}$$推广到高维情况时：
$$\begin{gathered} \hat{\mu }=\frac{1}{n}\sum _{k=1}^n{x}_k \\ \hat{\Sigma }=\frac{1}{n}\sum _{k=1}^n(x_k-\hat{\mu })(x_k-\hat{\mu }{)}^t \end{gathered}$$值得注意的是，最大似然估计是有偏估计。

2.2贝叶斯估计

基本条件：知道密度函数$p(x|\theta )$的形式，知道先验参数分布$p(\theta )$（如果不知道，可以假设为高斯分布），拥有n个样本的数据集D，样本相互独立。
步骤：估计后验参数分布：
$$p(\theta |D)=\frac{p(D|\theta )p(\theta )}{\int p(D|\theta )p(\theta )d\theta }p(D|\theta )=\prod _{k=1}^{n}p(x_k|\theta )$$估计后验数据分布：
$$p(x|D)=\int p(x,\theta |D)d\theta =\int p(x|\theta )p(\theta |D)d\theta$$ 例子： 在一维高斯分布下估计$p(\mu |D)$:
假设参数条件下的密度函数服从高斯分布$p(x|\mu )\sim N(\mu ,{\sigma }^2)$。
假设参数也是服从于高斯分布$p(\mu )\sim N({\mu }_0,{\sigma }_0^2)$
则参数的后验分布为：
$$p(\mu |D)=\frac{p(D|\mu )p(\mu )}{\int p(D|\mu )p(\mu )d\mu }=\alpha \prod _{k=1}^{n}p(x_k|\mu )p(\mu )$$将高斯分布方程带入可以得到：
$$p(\mu |D)={\alpha }^{\prime \prime }exp\left\{-\frac{1}{2}\left[(\frac{n}{{\sigma }^2}+\frac{1}{{\sigma }_0^2}){\mu }^2-2(\frac{1}{{\sigma }^2}\sum _{k=1}^n{x}_k+\frac{{\mu }_0}{{\sigma }_o^2})\mu \right]\right\}$$ 可以看到其先验分布和后验分布是同类型的分布，即共轭先验。将其改为标准高斯分布形式，即：
$$p(\mu |D)=\frac{1}{\sqrt{2\pi }{\sigma }_n}exp\left[-\frac{1}{2}(\frac{\mu -{\mu }_n}{{\sigma }_n}{)}^2\right]$$其中：
$${\sigma }_n^2=\frac{{\sigma }_0^2{\sigma }^2}{n{\sigma }_0^2+{\sigma }^2}{\mu }_n=\frac{n{\sigma }_0^2}{n{\sigma }_0^2+{\sigma }^2}{\hat{\mu }}_n+\frac{{\sigma }^2}{n{\sigma }_0^2+{\sigma }^2}{\mu }_0$$ ${\hat{\mu }}_n$是最大似然估计。可以看出，当n增大时，${\mu }_n⟶{\hat{\mu }}_n,{\sigma }_n^2⟶\sigma /n$。
后验数据分布：
$$\begin{array}{rl}p(x|D)& =\int p(x|\mu )p(\mu |D)d\mu \\ & =\frac{1}{2\pi \sigma {\sigma }_n}exp\left[-\frac{1}{2}\frac{(x-{\mu }_n{)}^2}{{\sigma }^2+{\sigma }_n^2}\right]f(\sigma ,{\sigma }_n),f(\sigma ,{\sigma }_n)=C\end{array}$$即$p(x|D)\sim N({\mu }_n,{\sigma }^2+{\sigma }_n^2)$，如果是最大似然估计，则$p(x|D)\sim N({\hat{\mu }}_n,{\sigma }^2)$
递归贝叶斯学习： 增加一个样本时参数分布更新一次
$$\begin{array}{rl}p(\theta |D^n)& =\frac{p(D^n,\theta )}{\int p(D^n,\theta )d\theta }\\ & =\frac{p(x_n|\theta )p(D^{n-1},\theta )}{\int p(x_n|\theta )p(D^{n-1},\theta )d\theta }\\ & =\frac{p(x_n|\theta )p(\theta |D^{n-1})p(D^{n-1})}{\int p(x_n|\theta )p(\theta |D^{n-1})p(D^{n-1})d\theta }\\ & =\frac{p(x_n|\theta )p(\theta |D^{n-1})}{\int p(x_n|\theta )p(\theta |D^{n-1})d\theta }p(\theta |D^0)=p(\theta )\\ & \propto p(x_n|\theta )p(\theta |D^{n-1})\end{array}$$

3、半参数方法

特征维数问题： 增加特征维数优点：可以使得 样本差异增大，区分性更好；缺点：计算、存储复杂性高、模型泛化性能差。根据二类高斯分布可以得出结论：特征维度越大、均值差越大、方差越小，则错误率越小。
但特征维度越高，需要更多的样本来减小误差。
克服过拟合的方法：
1）特征降维：特征变换、特征选择
2）参数共享/平滑：共享协方差矩阵、收缩。

3.1期望最大化算法（EM）

样本中有隐藏变量或缺失样本，如果高斯混合模型中的权值$\pi$和参数$\mu ,\Sigma$等。
E-step:根据已知参数对隐藏变量求期望。
M-step:最大化期望，求得参数的更新值。

1、选择一个初始值${\Theta }^0$
2、Do
\qquad E-step:求$p(Z|X,{\Theta }^{old})$，计算$Q(\Theta ,{\Theta }^{old})={\sum }_Z[logp(X,Z|\Theta )]p(Z|X,{\Theta }^{old})$
\qquad M-step:更新参数${\Theta }^{new}=\underset{\Theta }{\mathrm{argmax}}Q(\Theta ,{\Theta }^{old})$
\qquad 判断条件终止
3、End

3.2隐马尔可夫模型（HMM）

观察序列：$\text{O}=O_1{O}_2...O_T$， O t ∈ { v 1 , . . . v M } O_t\in \{v_1,...v_M\} Ot​∈{v1​,...vM​}，v为观测值。
状态序列：$\text{q}=q_1{q}_2...q_T$， q t ∈ { S 1 , . . . S N } q_t\in \{S_1,...S_N\} qt​∈{S1​,...SN​}，S为状态。
目标：$P(\text{q}|\text{O})$
对于一阶马尔可夫链，有$P(q_1{q}_2...q_T)=P(q_1)P(q_2|q_1)...P(q_T|q_{T-1})$
转移概率：$a_{ij}=P(q_t=S_i|q_{t+1}=S_j)$
释放概率：$b_j(k)=P(O_t=v_k|q_t=S_j)$，表示在t时刻状态为$S_j$的条件下，观察值为$v_k$的概率。
初始分布： π = { π i } \pi=\{ \pi_i \} π={πi​}，${\pi }_i=P(q_1=S_i)$

模型参数集合：$\lambda =(A,B,\pi )$，分别为转移概率矩阵、释放概率矩阵、初始分布。
一、评估
$$\begin{array}{rl}P(O|\lambda )& =\sum _{allQ}P(O|Q,\lambda )P(Q|\lambda )\\ & =\sum _{q_1,q_2...q_T}{\pi }_{q_1}{b}_{q_1}(O_1)a_{q_1{q}_2}{b}_{q_2}(O_2)...a_{q_{T-1}{q}_T}{b}_{q_T}(O_T)\end{array}$$算法复杂度太高，此时可以利用前向算法或后向算法：

二、解码
维特比算法：

三、训练
BW算法：

4、非参数方法

非参数方法主要是概率密度函数的形式未知。

局部特征空间中一定样本的比率：$\mathrm{P}={\int }_{\mathrm{R}}\mathrm{p}({\mathrm{x}}^{\prime })\mathrm{d}{\mathrm{x}}^{\prime }\simeq \mathrm{p}(\mathrm{x})\mathrm{V}$，$\mathrm{p}(\mathrm{x})=\simeq \frac{k/n}{\mathrm{V}}$，其中n为样本总数，V为区域体积，k为区域内样本个数。$P$为概率，$\mathrm{p}(\mathrm{x})$为概率密度。
非参数密度估计方法：
1）parzen window:固定区域体积V，k变换。
2）k-nearest neighbor:固定局部样本数k，V变化。

4.1帕森窗

以x为中心，体积为$V_n$的局部区域内样本数为：($x_i$是否在以x为中心的窗函数内）
$$k_n=\sum _{i=1}^n\phi \left(\frac{x-x_i}{h_n}\right)$$概率密度估计
$$p_n(x)=\frac{1}{n{V}_n}\sum _{i=1}^n\phi \left(\frac{x-x_i}{h_n}\right)$$其中窗函数需要满足要求$\phi (x)\ge 0,\int \phi (u)du=1$；$h_n$决定窗口的宽度。

当窗口宽度过小时，会导致过拟合，当窗口宽度过大时，导致欠拟合 。选取原则：（1）密度越大，窗口越小，如$V_n=V_1/\sqrt{n}$；（2）随x变化$h(x)$；（3）交叉验证。设置多个候选值进行交叉验证。

4.2K近邻估计

$p_n(x)$收敛到$p(x)$的条件：${\lim }_{n\to \infty }{k}_n=\infty and{\lim }_{n\to \infty }{k}_n/n=0$
一维例子：

当k和n确定时，窗口越小，概率越大。
KNN分类的后验概率：
设$k={\sum }_{i=1}^c{k}_i$表示所有c个类别，窗口中每个类别样本个数为$k_i$。
$$\begin{gathered} P_n({\omega }_i|x)=\frac{p_n(x,{\omega }_i)}{{\sum }_{i=1}^c{p}_n(x,{\omega }_i)}=\frac{k_i}{k} \\ {p}_n(x,{\omega }_i)=\frac{k_i/n}{V} \end{gathered}$$当达到收敛条件时，分类错误率趋近于贝叶斯分类器。
最近邻分类器的错误率：

K近邻搜索的三种加速策略：
（1）部分距离：如做最近邻分类时，每个样本为d维，但比较时如果计算到前r维的差的平方和已经大于最小距离则不再进行计算。$D_r^2(a,b)={\sum }_{i=1}^r(a_i-b_i{)}^2,(r<d)$。
（2）预结构化：分层搜索的思想，比如对于最近邻分类器，可以先将训练样本进行聚类，取每个聚类中心作为代表点，每次先计算测试样本与代表点之间的距离，找到最小的距离，然后在该聚类中寻找距离最近的训练样本点。这样做有一定风险，因此在实际操作中常常找最小的k个测试样本与代表点距离。
（3）编辑：将周围全是同一类样本的训练样本点去掉，以减小计算量。
（4）branch-and-bound、k-d tree等算法。

K近邻分类器的作用：
（1）做实际分类器
（2）作为参照分类器（当训练样本比较多时，其分类性能很好，但计算量巨大）

4.3距离度量：

距离度量(metric)的性质：非负性、对称性、自反性、满足三角不等式。
Minkowski距离：$L_k(a,b)={\left({\sum }_{i=1}^d|a_i=b_i{|}^k\right)}^{1/k}$
曼哈顿据距离、欧几里得距离、切比雪夫距离…
二值特征的Tanimoto metric：谷本度量。
$$D_{Tanimoto}(S_1,S_2)=\frac{n_1+n_2-2n_{12}}{n_1+n_2-n_{12}}$$其中$n_1$、$n_2$分别为集合$S_1$、$S_2$的元素个数。$n_{12}$是交集元素个数。
切线距离Tangent distance：
度量学习：根据不同的任务自主学习不同的距离度量。有线性变换和非线性变换两种模式。

5、线性判别函数

线性判别函数假定判别函数的参数已知，直接从样本估计判别函数的参数。

模式分类的三种途径：
（1）估计类条件概率密度函数（贝叶斯决策）。
（2）直接估计后验概率（KNN）。
（3）直接计算判别函数（支持向量机）。

5.1线性判别

二分类线性判别函数：
$$\mathrm{g}(\mathrm{x})={\mathrm{w}}^{\mathrm{T}}\mathrm{x}+{\mathrm{w}}_0$$ $g(x)=0$为决策面。

$$\begin{array}{rl}& x=x_p+r\frac{w}{||w||}\\ & g(x_p)=0\\ & g(x)=w^T(x_p+r\frac{w}{||w||})+w_o=r||w||\\ & r=\frac{g(x)}{||w||}\end{array}$$多分类：
（1）one-vs-all：c个分类器
（2）one-vs-one：从c(c+1)/2个分类器
（3）逐步一对多：类似树形结构
（4）线性机器：上述分类方法会存在不确定性区域，线性机器，对$i\ne j$，如果$g_i(x)>g_j(x)$，则分为第i类。

线性决策面的优点：决策区域是凸的，且决策区域是单连通的，便于分析，但不利于复杂数据的分类。

5.2广义线性判别

将样本x通过非线性映射为y，在新的数据空间可以应用线性判别函数。
$$g(x)=\sum _{i=1}^{\hat{d}}{a}_i{y}_i(x)={\mathrm{a}}_{\mathrm{T}}\mathrm{y}$$当新空间的维数足够高时，$g(x)$可以逼近任意线性判别函数，但会带来维数灾难。
线性判别函数齐次增广表示：$\mathrm{g}(\mathrm{x})={\mathrm{w}}^{\mathrm{T}}\mathrm{x}+{\mathrm{w}}_{\mathrm{o}}={\mathrm{a}}^{\mathrm{T}}\mathrm{y}$

5.3感知准则函数

线性可分：对于$y\in {\omega }_1$，均有$a^{T}y>0$；对于$y\in {\omega }_2$，均有$a^{T}y<0$。
样本规范化：将属于${\omega }_2$的样本$y$变为 $-y$，则得到$a^{T}y>0$。
规范化增广样本：先增广齐次化再规范化。
准则函数：
$$J_p(a)=\sum _{y\in Y}(-a^{T}y)$$其中$Y$为错分样本集合。$J_p(a)$总是大于零。因此优化目标是：$\underset{a}{\min }{J}_p(a)$
$$\begin{array}{r}\frac{\partial J_p(a)}{\partial a}=-\sum _{y\in Y}y\\ a_{k+1}=a_k+\eta \sum _{y\in Y}y\end{array}$$ 其他学习准则：
线性准则：
$$J_p(a)=\sum _{y\in Y}(-a^{T}y)$$平方准则：
$$J_q(a)=\sum _{y\in Y}(a^{T}y{)}^2$$松弛准则：
$$J_r(a)=\frac{1}{2}\sum _{y\in Y}\frac{(a^{T}y-b{)}^2}{||y|{|}^2}$$其中$Y$为$a^{T}y<b$的集合。线性准则是分段线性。故梯度不连续；平方准则过于光滑，收敛速度慢，且易受到长样本的影响。松弛方法的训练过程为：
$$\begin{array}{r}\frac{\partial J_p(a)}{\partial a}=\sum _{y\in Y}\frac{a^{T}y-b}{||y||}y\\ a_{k+1}=a_k-{\eta }_k\sum _{y\in Y}\frac{a^{T}y-b}{||y||}y\end{array}$$

5.4最小均方误差(MSE)准则函数

将$a^T{y}_i>0$改写为$a^T{y}_i=b_i>0$，由此可以得到一个线性方程组：$\mathrm{Ya}=\mathrm{b}$，若$\mathrm{Y}$可逆，则$\mathrm{a}={\mathrm{Y}}^{-1}\mathrm{b}$，但通常情况$Y$不是方阵，即样本维度与样本个数不相等，因此我们定义误差向量$\mathrm{e}=\mathrm{Ya}-\mathrm{b}$，则得到平方误差准则函数：
$$J_s(a)=||e|{|}^2=||Ya-b|{|}^2=\sum _{i=1}^n(a^T{y}_i-b_i{)}^2$$训练过程：
$$\frac{\partial J_s(a)}{\partial a}=2Y^T(Ya-b)=0$$ $$a=(Y^{T}Y{)}^{-1}{Y}^{T}b=Y^{+}b$$
可以通过上式直接求解，在应用中防止矩阵不可逆加入正则化技术：$Y^{+}\approx (Y^{T}Y+\epsilon I{)}^{-1}{Y}^T$。或者通过梯度下降的方法求解。
Widrow_Hoff方法：即序列最小平方更新方法$a_{k+1}=a_k+\eta (b_k-(a_k{)}^T{y}^k)y^k$，只考虑单个样本对误差的贡献。通常情况下迭代会无穷次进行，因为W-H方法寻求更正不相等的情况$(a_k{)}^T{y}^k\ne b_k$，在实际中几乎不可逆，因此在训练过程中通常会让学习率随迭代次数减小。

如上图，MSE准则函数找到的超平面会有这样的问题，即黑线和红线的样本到超平面的距离平方和相同，从而找到一个错误解。
Ho-Kashyap方法：假设训练样本线性可分，对于所有样本有$a^T{y}_i>0$，即一定存在一个a和b使得$Ya=b>0$。但是事先并不知道b，因此将MSE准则函数变为：
$$J_s(a,b)=||Ya-b|{|}^2,b>0$$求梯度得：
$$\frac{\partial J_s(a,b)}{\partial a}=2Y^T(Ya-b),\frac{\partial J_s(a,b)}{\partial b}=-2(Ya-b)$$由于b需要满足约束条件$b>0$，故b得更新公式可以为：
$$\begin{array}{rl}{b}_{k+1}& =b_k-{\eta }_k\frac{1}{2}\left(\frac{\partial J_s(a,b)}{\partial b}-\left|\frac{\partial J_s(a,b)}{\partial b}\right|\right)=b_k+2{\eta }_k{e}_k^{+}\\ a_k& =Y^{+}{b}_k\end{array}$$为了防止b收敛到0，初始化的时候需要让b从一个非负向量开始。

5.5多类线性判别函数

（1）MSE多类扩展：$\mathrm{y}={\mathrm{W}}^{\mathrm{T}}\mathrm{x}+\mathrm{b}$，此时不用规范化增广坐标，决策规则为：如果$j=argmax(W^{T}x+b)$，则$x\in {\omega }_j$。$Y$是用one-hot向量组成的矩阵。优化目标为：
$$\underset{W,b}{\min }\sum _{i=1}^n{\Vert W^{T}x-b-y_i\Vert }_2^2=\underset{\hat{W}}{\min }{\Vert {\hat{W}}^T\hat{X}-y\Vert }_2^2$$其中：
$$\hat{W}=\left(\begin{array}{c}W\\ b^T\end{array}\right),\hat{x}=\left(\begin{array}{c}x\\ 1\end{array}\right)$$解得：$\hat{W}=(\hat{X}\widehat{X^T}{)}^{-1}\hat{X}{Y}^T$。
（2）感知器准则扩展方法
（3）Kelser构造。

6、人工神经网络

6.1简要介绍

1956年，明斯基、西蒙、麦卡锡等人 首次提出人工智能的概念。
人工神经网络的三次浪潮：
1、1960s：感知机、自适应线性单元
2、1980s：Hopfield网络、Boltzman机、BP算法
3、2000s：深度网络、Deep-CNN、RNN
激活函数： 作用是将可能的无限域变换到指定的有限范围内输出。
要求：非线性、连续可到、单调（否则会产生很多局部极小值点）
软饱和函数：指x趋于无穷时导数为0，如sigmod函数。梯度消失，导致难以训练深层网络。
硬饱和函数：x超过某一阈值时，导数为零，如ReLU函数。会导致网络稀疏性和部分神经元死亡（输出为0），其次ReLU会使得输出具有偏移现象（即输均值恒大于0），会影响到神经网络的收敛性。
深度与宽度问题：
1、隐藏层个数（深度）：决定网络的表达能力，深度太深会导致过拟合
2、各层结点数（宽度）：结点数太少难以建立复杂分界面，太多则泛化性能较差
神经网络训练的方法：
1、Hebb训练方法：
$$w_{ij}^{(t+1)}=w_{ij}^t+\eta y_i{z}_j$$如果两个相互连接的神经元输出具有相同的符号，则增加他们之间的权重（但需要设置阈值，防止无约束增长）

2、$\delta$训练方法（分析方法）：按照差值最小（处理单元所要求的输出与当前实际输出间的差值）准则连续修正连接权重的强度。训练策略为梯度下降法：
$$\Delta w_{ij}=-\eta \frac{\partial E}{\partial w_{ij}}$$其中$E$时与训练样本相关的能量。

3、随机训练方法：随机改变一个权重，计算改变后网络的能量，若能量降低则接受改变。模拟退火算法就是一种随机训练算法。

4、Kohonen训练方法：在训练过程中结点参与竞争，具有最大输出的结点获胜，获胜的结点可以抑制其竞争者并激活其邻近结点，即只有获胜者和其邻近结点的权重才可以调节。

6.2前馈神经网络（感知机）

$\delta$规则、反向传播。权重的梯度等于连接边起点的输出乘以经终点导数放缩后的误差$\Delta w_{ij}=x_i{f}^{\prime }(ne{t}_j)(t_j-y_j)$。

防止过拟合的技术：
1、权重2范数正则化
2、权重启发式目标函数修正策略
附加冲量项： 尽快逃离饱和区。
$$\mathrm{w}(\mathrm{t}+1)=\mathrm{w}(\mathrm{t})+(1-\alpha ){\mathrm{\Delta }}_{\mathrm{bp}}\mathrm{w}(\mathrm{t})+\alpha [\mathrm{w}(\mathrm{t})-\mathrm{w}(\mathrm{t}-1)]$$
BP算法存在的问题：
1、网络麻痹现象：权重修正时，误差$\delta$正比于$f^{\prime }(net)$，当$f^{\prime }(net)$趋于0时，训练过程便停顿下来。可以优化目标准则函数。
2、梯度消失：多层神经网络，越靠近输入层越容易出现此问题。
3、局部极小：误差曲面非凸，可以引入随机因素。

6.3径向基函数网络

径向基函数(Radial Basis Function)是一类取值仅依赖于距离的函数。如高斯函数${\varphi }_k(x)=exp\left(-\frac{\Vert x-x_k\Vert }{2{\sigma }^2}\right)$。
径向基函数神经网络：

三层网络可以拟合任意函数，径向基函数网络也是三层结构，输入层到隐藏层权重为1，训练时主要改变隐藏层到输出层的权重，隐藏层的激活函数为高斯径向基函数，输出层的激活函数可以为线性函数也可以为其他函数。其隐藏层结点数等于样本个数，结构简化：对于大规模数据，首先做聚类，使隐藏层节点个数等于聚类中心个数，简化网络模型的同时增加网络的泛化能力。

6.4Hopfield网络

Hopfield网络按照动力学方式进行，其工作过程为状态的演化过程，即从初始状态按照能量减小的方向进行演化，直到达到稳定状态。具体介绍见Hopfield神经网络。其有两个主要作用：充当存储器、求解TSP问题。

6.5玻尔兹曼机(BM)

玻尔兹曼机是一种随机的Hopfield网络，是具有隐藏单元的反馈网络。

如图，玻尔兹曼机的一部分神经元是可观测的，起到输出输入作用，另一部分不可观测是隐藏结点。
受限玻尔兹曼机(RBM)：
两层结构，层内结点互不相连，信息可以在层间流动，包含可视结点层和隐藏层。模型参数为 θ = { w , a , b } \theta=\{w,a,b\} θ={w,a,b}，网络的能量函数为：
$$E(v,h,\theta )=-\sum _{ij}{w}_{ij}{v}_i{h}_j-\sum _i{b}_i{v}_i-\sum _j{a}_j{h}_j$$可见状态与隐含状态的联合概率分布：
$$p_{\theta }(v,h)=\frac{1}{z(\theta )}exp(-E(v,h,\theta ))$$目标是对于N个样本$max{\sum }_{i=1}^{N}logp(v_i)$。根据联合概率可以计算边缘概率和条件概率。
具体推导细节见RBM受限玻尔兹曼机，训练过程见受限玻尔兹曼机RBM最通俗易懂的教程。

6.6深度信念网络、深度玻尔兹曼机

可以将受限玻尔兹曼机等价为一个无穷层的单向网络

深度信念网络(DBN)：其最高层为双向连接。
训练过程：对于特征学习，采用多个RBM进行贪婪训练；对于分类任务，附加一个前向网络，采用有标签的数据进行微调(fine-tuning)。
深度玻尔兹曼机(DBM)：每两层之间均为双向连接。

6.7自组织映射(SOM)

主要思想：T.Kohonen认为神经网络中邻近的各个神经元通过侧向交互作用彼此竞争，自适应地发展成检测不同信号的特殊检测器。

如图，神经网络的输出层各神经元结点之间相互作用。SOM获胜神经元对齐邻近神经元的影响由远及近地由兴奋转变为抑制（窗口可以变化，权重作用的邻域随时间增加而减小）。如下图函数：
原理：自动寻找样本的内在规律和本质属性，自组织、自适应改变网络参数与结构。通过自组织特征映射算法，能够自动找出输入样本之间的相似度。
相似度准则：输入向量与映射层权重向量的欧式距离$d_j=\sqrt{{\sum }_{i=1}^d(x_i-w_{ij}{)}^2}$，相似度大者为获胜者，然后在获胜者$j^{\ast }$邻域内$h(.,j^{\ast })$调整权重值:
$$\begin{gathered} \Delta w_{ij}=\eta h(j,j^{\ast })(x_i-w_{ij}) \\ {w}_{ij}(t+1)=w_{ij}(t)+\Delta w_{ij} \end{gathered}$$

6.8自编码器(Autoencoder)

遇到而问题：训练时没有标签，设计一种网络使得输入与输出相等，则隐藏层记录了数据的特征，自编码器是一种表示学习方法。

拥有多个encoder层时，采用逐层训练的方法，首先训练第一层（三层感知机），然后固定第一层，将第一层的输出作为第二层的输入训练第二层（三层感知机），以此类推。

应用：降维、降噪、缺失数据恢复。

7、特征提取

特征提取的目的：
1、减少噪声影响
2、提高稳定性
3、提取观测数据的内在特性
特征变换的目的：
1、降低空间维度，便于分析并减小计算量
2、减少特征之间可能存在的相关性
3、有利于分类
特征提取的分类：
1、根据对象：语音、文本、视觉
2、根据方式：局部特征提取（SIFT、LBP等）、全局特征提取（HoG、词袋等）
特征变换的分类：
线性变换：PCA、LDA、ICA等
非线性变换：KPCA、KLDA、Isomap、LLE、HLLE、LSTA等

7.1 语音特征提取

步骤：
1、语音信号预处理
2、分帧、加窗（低通滤波，使帧两端信号平滑过渡到0，同时帧与帧之间有重合，防止丢失信息）
3、对每一帧做数学运算得到低维向量
梅尔倒谱系数(MFCCs)：
对分帧后的语音信号做傅里叶变换，丢失相位谱。
根据梅尔刻度，利用频域三角窗对傅里叶幅度谱求和。
对求和之后的值取对数
对取对数后的幅度信号做离散余弦变换得到梅尔倒谱系数特征。

7.2文本特征提取

1、向量空间模型
2、词频-逆文档频率
3、Word2Vec

7.3视觉特征提取

1、局部二值模式(LBP)
2、Gabor特征提取
3、尺度不变特征变换(SIFT)
4、视觉词袋
5、哈尔特征
6、梯度方向直方图(HoG)

8、维数缩减

8.1线性维数缩减

8.1.1 主成分分析(PCA)

8.1.2 线性判别分析(LDA)

这部分见数据降维方法（主成分分析PCA、线性判别分析LDA）。

8.2非线性维数缩减

8.2.1 多维缩放(MDS)

主要目的：将d维空间中的n个样本降维到m维空间。准则是降维之后的样本空间仍保持两两之间的距离
算法步骤：

1、给定数据，构造距离矩阵$D$
2、构造矩阵$B$，$B=-\frac{1}{2}{H}^{T}DH$
3、对矩阵$B$进行特征值分解：$B=U{V}^{T}U$
4、求$Z={\Lambda }_m^{1/2}{U}_m^T\in R^{m\times n}$（选取前m个最大特征值对应的特征向量）

8.2.2流形学习

（1）LLE(局部线性嵌入)： 将高维空间中样本的线性重构关系在低维空间继续保持。
在原始维度上通过周围k个样本重构样本$x_i$，根据拉格朗日乘子法求出权重矩阵$W$，利用该权重矩阵在低维空间重构新样本$y_i$，并最小化重构误差。
（2）Isomap(等距特征映射)： 通过K近邻等方式构造一个数据图，计算任意两点之间的测地距离，对于任意两点，期望在低维空间中保持测地距离。（经常与多维缩放一起使用，首先计算各样本之间的测地距离，然后利用MDS降维）。
（3）LE(拉普拉斯特征映射)： 通过K近邻方式构造数据图，在每一个局部区域计算点与点之间的亲和度，期望点对亲和度在低维空间保持。
（4）LTSA(局部切空间对齐)： 对每一个数据在局部引入一个线性变换，将其临近点映射到低维坐标系中的对应临近点。

9、特征选择

特征选择的方法：子集搜索+子集评价

9.1评价判据

直接判据：分类器的分类错误率
间接判据：不同数据的可分程度、不同类别的概率分布差异性、特征对分类的不确定性程度…

理想的评价准则应该满足：对于独立特征评价准则具有可加性；是一个度量；是特征数目的单调函数（新加入特征不应该较少可分度）；与分类错误率具有正相关，反映特征的分类性能。

1、基于距离的准则
可定义类间散度矩阵和类内散度矩阵，使得类间散度矩阵尽可能大，类内散度矩阵尽可能小。
2、基于分布的评价准则（基于类条件概率密度函数）
定义两个分布的距离，此距离非负、能够衡量两个分布之间的重合程度。如KL散度，KL散度不是一个度量，因为不具有对称性。
3、基于熵的评价准则（基于后验概率密度函数）
对于所有类别，后验概率越平均，越不具有区分性，越集中于某一类则越有利于分类。可以用后验概率的信息熵作为评价标准。

9.2子集搜索

子集搜索是组合问题。
搜索策略：
1、穷举法
2、前向搜索策略（每次只加入一个新特征进行评价）
3、后向搜索策略（每次只去掉一个无关特征）
4、双向搜索策略
5、随机搜索策略

最优特征搜索方法：
1、穷举法：计算量巨大。
2、分支定界法

特征选择次优方法： (贪心算法）
1、过滤式特征选择
2、包裹式特征选择
3、嵌入式特征选择

10、模型选择

11、数据聚类

11.1 k-means聚类

循环体内执行两部操作：将样本划分到k各类中心、对类内求均值获得新的类中心。
损失函数：
$$l(\mu ,x_n,z_n)=\sum _{k=1}^K{z}_{nk}||x_n-{\mu }_k|{|}^2$$其中是0-1损失，这是非凸函数，对初始化比较敏感，容易掉入局部最优。

第一个问题：
①k怎么选？：交叉验证、专家判断、找到损失函数随k变换最大的点。
②数据维数很高时，欧氏距离不可靠：随机投影之后进行聚类，获得多个结果之后进行集成学习。
③对噪声不鲁棒：将均值改为中值向量，中点对噪声鲁棒性高。即K-Medians算法。
②是一种硬分类方法，使得每个类别区域大小相近
③无法解决非凸数据

增量式更新方法： 竞争学习、对手惩罚竞争学习。每次选择一个样本，将距离该样本较近的聚类点拉向该样本。
mean-shift聚类：滑动窗内算均值，局部区域滑倒高密度区域（窗口半径固定）、最后将重复类中心删除即可。但对噪声不鲁棒。
DBSCAN算法： 计算某样本与周围样本点的距离，小于某个阈值则认为是该样本点的朋友，当朋友个数达到最低要求时即认为这些点时一个类，故对噪声样本比较鲁棒。

11.2 高斯混合模型

$$p(x)=\sum _{k=1}^K{\pi }_{k}N(x|{\mu }_k,{\Sigma }_k),\sum _{k=1}^K{\pi }_k=1$$ 总共三个参数，用EM算法求解，首先固定参数对每个样本进行分类，即求
$$\begin{array}{rl}{\gamma }_k(x)\equiv p(k|x)& =\frac{p(k)p(x|k)}{p(x)}\\ & =\frac{{\pi }_{k}N(x|{\mu }_k,{\Sigma }_k)}{{\sum }_{j=1}^K{\pi }_{j}N(x|{\mu }_j,{\Sigma }_j)}\end{array}$$表示样本属于第k个高斯成分的概率。然后求似然函数对三个的导数并令导数为零，则可以解出
$$\begin{array}{rl}{\mu }_j& =\frac{{\sum }_{n=1}^N{\gamma }_j(x_n)x_n}{{\sum }_{n=1}^N{\gamma }_j(x_n)}\\ {\Sigma }_j& =\frac{{\sum }_{n=1}^N{\gamma }_j(x_n)(x_n-{\mu }_j)(x_n-{\mu }_j{)}^T}{{\sum }_{n=1}^N{\gamma }_j(x_n)}\\ {\pi }_j& =\frac{1}{N}\sum _{n=1}^N{\gamma }_j(x_n)\end{array}$$如此按照这两步进行迭代优化。

一些问题：同样在高斯混合模型中需要面临K值得选择问题，可以借鉴k-means算法。另外防止协方差矩阵奇异，需要对其进行约束，如单位阵（欧氏距离）、对角阵（加权欧氏距离）、共享协方差矩阵等

11.3 分级聚类

是一种启发式算法，没有目标函数。由凝聚式层次聚类（自底向上）和分列式层次聚类（自顶向下）两种方式。

11.4 谱聚类(K-means in spectrum space)

广义上讲，在学习过程中应用到特征值分解的方法均叫谱学习方法。

11.5 核聚类

将样本映射到核空间做聚类。

12、支持向量机与核方法

13、决策树

待学习：
1、隐马尔可夫模型（第四次）
2、最近邻分类的错误率、切线距离、帕森窗函数展开（第五次）
3、受限玻尔兹曼机
4、视觉特征sift