《模式识别基本词汇名词解释.ppt》由会员分享，可在线阅读，更多相关《模式识别基本词汇名词解释.ppt（20页珍藏版）》请在三一办公上搜索。
1、模式识别基本词汇,基本词汇,样本：对任一个具体的事物，在这门课中都称为一个样本，它是一类事物的一个具体体现，它与模式这个概念联用，则模式表示一类事物的统称，而样本则是该类事物的一个具体体现。模式：英语是pattern，表示一类事物，广义地说，模式是一些供模仿用的、完美无缺的标本。本课程把所见到的具体事物称为模式。,基本词汇,模式类：这个词与模式联合使用，此时模式表示具体的事物，而模式类则是对这一类事物的概念性描述。将模式归属的类别称为模式类。模式识别：是研究用计算机来实现人类模式识别能力的一门学科。是让计算机实现事物的分类。,基本词汇,分类器：用来识别具体事物的类别的系统称为分类器。模式识别系
2、统：用来实现对所见事物（样本）确定其类别的系统，也称为分类器,基本词汇,特征：一个事件（样本）有若干属性称为特征，对属性要进行度量，一般有两种方法，一种是定量的，一种是定性表示。在本门课中一般偏重定量的表示。特征向量：对一个具体事物（样本）往往可用其多个属性来描述，将这些特征有序地排列起来，就成为一个向量。这种向量就称为特征向量。每个属性称为它的一个分量，或一个元素。,基本词汇,维数：一个向量具有的分量数目。列向量：将一个向量的分量排列成一列表示。行向量：将一个向量的分量排列成一行表示。,基本词汇,转置：将一个列向量写成行向量的形式的方法就是转置。如定义X为列向量，则XT就是该向量的行向量表示
3、。转置的概念与矩阵中转置的概念一样。特征空间：一种事物的每个属性值都是在一定范围内变化，所讨论问题的特征向量可能取值范围的全体就是特征空间。,基本词汇,分类决策：根据一个事物（样本）的属性确定其类别，称为分类决策。分类决策方法：对一事物进行分类决策所用的具体方法。,基本词汇,学习：让一个机器有分类决策能力，就需要找到具体的分类决策方法，确定分类决策方法的过程统称为学习，就像人认识事物的本领的获取与提高都是通过学习得到的。在本门课中将学习分成有监督学习与无监督学习两种不同的方法。,基本词汇,训练：一般将有监督学习的学习方法称之为训练。训练（样本）集：在训练过程中使用的样本集，该样本集中的每个样本
4、的类别已知。,基本词汇,有监督学习方法：从不同类的训练集数据中体现出的规律性进行分析，从而确定分类决策方法，这种学习方法是在训练集指导下进行的，就像有教师来指导学习一样，称为有监督学习方法。与之相对的是无监督学习方法。,基本词汇,无监督学习方法：在一组数据集中寻找其规律性的过程称为无监督学习方法。例如分析数据集中的自然划分（聚类）；分析数据集体现的规律性，并用某种数学形式表示（数据似合）；分析数据集中各种分量（描述量，特征）之间的相关性（数据挖掘，知识获取）等，这种学习没有训练样本集作指导，这是与有监督学习方法的不同点。,基本词汇,先验概率：预先已知的或者可以估计的模式识别系统位于某种类型的概
5、率。类条件概率密度函数：系统位于某种类型条件下模式样本X出现的概率密度分布函数。后验概率：系统在某个具体的模式样本X条件下位于某种类型的概率。贝叶斯公式：两个事物X与w联合出现的概率称为联合概率。利用该公式可以计算后验概率。,基本词汇,贝叶斯决策理论：根据先验概率、类概率分布密度函数以及后验概率这些量来实现分类决策的方法，称为贝叶斯决策理论。由于这些量之间符合贝叶斯公式，因此称为贝叶斯决策理论。基于最小错误率的贝叶斯决策：根据一个事物后验概率最大作为分类依据的决策，称为基于最小错误率的贝叶斯决策。从统计上讲，即从平均错误率角度看，分类错误率为最小，因此称为基于最小错误率的贝叶斯决策。,基本词汇
6、,风险决策：对事物进行分类或做某种决策,都有可能产生错误，不同性质的错误就会带来各种不同程度的损失，因而作决策是有风险的。考虑到决策后果(风险)的决策是风险决策。基于最小风险的贝叶斯决策：如果样本X的实际类别为1，而作决策为2，则可以定义此时作2决策的风险为(2|1)，由此可以确定对样本X做2决策的期望损失，比较做不同决策的期望损失，选择期望损失最小的决策后最终决策。就是基于最小风险的贝叶斯决策。,基本词汇,判别函数：是一组与各类别有关的函数，对每一个样本可以计算出这组函数的所有函数值，然后依据这些函数值的极值(最大或最小)做分类决策。决策域与决策面：根据判别函数组中哪一个判别函数值为极值为准
7、则可将特征空间划分成不同的区域，称为决策域，相邻决策域的边界是决策分界面或称决策面。,基本词汇,参数估计：使用贝叶斯决策要知道先验概率，类分布密度函数等统计参数，为此，要从训练样本集中估计出这些统计参数，这就是参数估计。非参数估计：在分布密度函数形式也不确定条件下，估计统计参数，称为非参数估计。非参数分类器：不以统计参数为分类决策依据的分类决策方法称为非参数分类器,线性分类器、非线性分类器以及近邻分类器都属于这种分类器，它们不需要统计参数。,基本词汇,线性分类器：判别函数为线性函数的分类器是线性分类器，此时决策分界面的方程是线性方程。非线性分类器：是非参数分类器的一种，其中判别函数或决策面方程
8、是某种特定的非线性函数，如二次函数，多项式函数等。分段线性分类器：相邻决策域的界面用分段线性函数表示的分类器。,基本词汇,感知准则函数：是线性分类器的另一种著名设计方法。该种方法通过迭代优化确定最佳分界面。其特点是利用错分类信息对当前的分界面进行修正。感知器：使用感知准则函数设计的分类器称为感知器，它是人工神经网络中最简单的一种，是人工神经网络前期研究的成果。,基本词汇,Fisher准则判别函数：线性分类器中的一种分类决策面设计方法，是由Fisher提出而得名，一般用于两类别分类器中。该种设计方法要找到分界面的最佳法线,使两类别训练样本到该法线向量的投影体现“类间尽可能分离，类内尽可能密集”的最佳准则。,
