模式分类学习笔记——绪论

准备 用一个礼拜的时间粗略的学习一下这本书，现在开始记录笔记。

模式识别：输入原始数据并根据其类别采取相应行为的能力。

最终目的和处理方法：1.将模型分为几类，然后对感知到的数据进行处理，一过滤干扰（由采样引起而非模型）。2.选择出与感知数据最接近的模型类别。

实例：

图像处理——预处理——特征提取——分类判别

单一特征无法完美区分每一个类别，一种可用方法是获取最优决策点。更好的方法是利用多种特征。需要注意过拟合和欠拟合问题。

分类判别任务必然是面向特定任务或者代价的。

分类的目的在于重建产生完美所感知到的模式的内在模型。

中心任务是活的一个好的模型表达。

倾向于运用比较少的特征，特征更具有鲁棒性。

现实中很多模型识别系统都力求嵌入至少必要的有关模式产生方法或者功能用途的知识，以期望获得很好的表达。

相关领域

决策在模式判别信息中有至关重要的作用，所以在分类过程中信息量的损失更大。

有3种密切相关的技术常被用作模式识别系统中的第一个步骤：回归分析，函数内插，（概率）密度估计。

回归分析：

目的是对输入数据找到合适的函数表示，常用于预测新数据的值。

函数内插：

根据已有数据找到规律进行预测未来的值。

函数密度估计：

用于求解具有某种特征的类别成员（样本）出现的（概率）密度的问题。