要知道模式識(shí)別講什么內(nèi)容。主要解決什么問題，我們?nèi)绾芜M(jìn)入這個(gè)領(lǐng)域，總要知道一些基本的概念，一些基本的、現(xiàn)有的方法。

概念性的東西，參考希臘的那本《Pattern Recognition》，我看的是第四版的影印版，有時(shí)候也會(huì)看看Duda的模式分類，這本書有電子版原版，原版影印版在國(guó)內(nèi)已經(jīng)絕版了。有時(shí)候也會(huì)參考wikipedia，這個(gè)網(wǎng)站確實(shí)不錯(cuò)！

1、模式識(shí)別

?英文是 Pattern recognition。 有時(shí)候業(yè)內(nèi)的人常把它簡(jiǎn)單寫成PR，他是一門科學(xué)，將多個(gè)對(duì)象分到不同的類別的學(xué)科。wikipedia解釋說，PR是機(jī)器學(xué)習(xí)的一個(gè)學(xué)科，而機(jī)器學(xué)習(xí)又是人工智能的一個(gè)分支。不想把問題描述的這么全面，我們只在模式識(shí)別里面看問題。

?Pattern recognition is a scientific discipline whose goal is the classification of objects into a number of categories or classes.?

?根據(jù)不同的應(yīng)用背景，這里的object可以是很多東西，比如圖像啊什么的，我們不關(guān)心這個(gè)object到底是啥，為了表明我們真的不關(guān)心，干脆不叫他object了，叫一個(gè)更加高級(jí)的名字，就叫pattern，中文翻譯為模式。這樣模式識(shí)別就是把模式分到不同的類里了，這就不難理解Duda為啥把他的書叫模式分類了。?

2、features, feature vectors, classifiers

就是特征，特征向量，還有分類器。每個(gè)需要我們分類的模式，可能有很多特征，那么特征就可以認(rèn)為是模式的函數(shù)，一般這個(gè)函數(shù)是實(shí)值的，至少我沒有遇到過復(fù)數(shù)的特征，如果是復(fù)數(shù)，我們可以看成兩個(gè)特征。因?yàn)槊總€(gè)模式可能有多個(gè)特征，所以我們把這些特征弄成一個(gè)向量，因?yàn)樵诖鷶?shù)里面，向量都是用列向量來描述的，這里我們也會(huì)用列向量來描述，以便我們好使用代數(shù)里面的結(jié)論。 這個(gè)向量我們一般稱之為特征向量，就是feature vector了。至于分類器，其本質(zhì)也是函數(shù)，接受特征向量，給出類別的函數(shù)，為了方便計(jì)算機(jī)處理，我們一般用數(shù)字來表示類別。這樣分類器也是一個(gè)實(shí)值函數(shù)了。

為了能慢慢進(jìn)入這個(gè)領(lǐng)域，我想多多在進(jìn)入之前思考一下是有必要的。

模式識(shí)別里面，常常把 特征看成是隨機(jī)變量，大約可以有兩個(gè)理由說明這一點(diǎn)，首先同一個(gè)類之中的模式存在差異，隨機(jī)取一個(gè)模式，他的某個(gè)特征可能是隨機(jī)的，比如隨機(jī)在一堆魚里面取一條魚，他的長(zhǎng)度特征在取之前可以認(rèn)為是隨機(jī)的。 另外，我們?cè)诙攘磕Ｊ降奶卣鞯臅r(shí)候，由于儀器，設(shè)備等原因，可能會(huì)引入隨機(jī)誤差，也就是說我們很難提供100%的精確控制，來獲得精確的特征值。

為研究方便，總是給出數(shù)學(xué)記號(hào)的，L個(gè)特征x_i , i = 1,...,L，組成特征向量 X = [x_1, ...., x_L]^T

misclassification，如果分類器把輸入的模式分錯(cuò)了，我們就說發(fā)生了‘錯(cuò)分’，就是misclassification發(fā)生了。特別注意，每個(gè)模式都有一個(gè)特征向量，所以我們分類的時(shí)候，就是通過特征向量來分類的，把特征向量輸入到分類器（就是那個(gè)分類函數(shù)）里，然后會(huì)得到一個(gè)類別返回值，類別呢如果錯(cuò)了，就說發(fā)生了錯(cuò)分。

在討論分類器的時(shí)候，會(huì)討論這些問題的。現(xiàn)在我們就使勁把這些概念先裝到腦子里，讓這些概念添加到我們的條件反射里，深入骨髓！這個(gè)東西就會(huì)是自己的了，我們就進(jìn)入這個(gè)領(lǐng)域了。

3、那些需要解決的任務(wù)

?* 如何產(chǎn)生我們需要的特征？這個(gè)根據(jù)不同的應(yīng)用，方法也各有不同，計(jì)算機(jī)視覺中，我們要找圖像的特征。文本分類就搞搞文本特征。具體有哪些，還需要很多時(shí)間來研究。這個(gè)過程叫 feature generation stage， 特征產(chǎn)生階段。

?* 我們需要產(chǎn)生多少特征？ 多少個(gè)特征是最好的？一般我們處理這種問題的時(shí)候，采用先找盡量多的特征，然后再根據(jù)某些規(guī)則使用這些特征中的某一些特征。這個(gè)階段叫 feature selection stage，特征選擇階段。

?* 特征有了，怎么設(shè)計(jì)分類器？如何找一個(gè)規(guī)則，在這個(gè)規(guī)則下造一個(gè)最好的分類器？哪些規(guī)則好？ 有了規(guī)則，有了模型，分類器怎么求解？這都是需要我們努力解決的問題啊。 幸運(yùn)的是，我們現(xiàn)在解決了很多問題了，所以，學(xué)習(xí)PR還是有很大意義的。這個(gè)階段叫，classifier design 分類器設(shè)計(jì)階段。

?* 最后，如何來評(píng)價(jià)分類效果？ 不評(píng)價(jià)下，總是不完美的吧。說自己好，需要有標(biāo)準(zhǔn)才行。會(huì)有一些可以比的項(xiàng)啊，比如分類錯(cuò)誤率，classification error rate。這個(gè)階段叫system evaluation stage 系統(tǒng)評(píng)估階段。

這個(gè)是傳統(tǒng)吧，人 ，本身很向往自由的，看了這個(gè)，就發(fā)現(xiàn)，自己被框住了，特別不情愿啊，總想著，是不是有其它途徑解決分類的問題啊，我不用特征向量行不行呢？直接用原始數(shù)據(jù)呢？ 原始數(shù)據(jù)不又變成特征了么。有些時(shí)候自己不情愿也沒辦法呀，想站在巨人的肩膀上成就一番事業(yè)，總是要繼承一下巨人的成就嘛，至少可以批判性的繼承呀。哈哈。

4、supervised， unsupervised， semi-supervised learning

有監(jiān)督的，無監(jiān)督的，半監(jiān)督的學(xué)習(xí)。 首先，學(xué)習(xí)是啥呢？是這樣的，我們?cè)谥懒四承┨卣飨蛄繉儆谀男╊惲?，比如給了n個(gè)特征向量，其中n1個(gè)是0類，其余的為1類，根據(jù)這個(gè)信息（這個(gè)信息，我們一般稱為priori 信息，就是先驗(yàn)信息?。藶樵O(shè)計(jì)一個(gè)方法，這個(gè)方法會(huì)指導(dǎo)計(jì)算機(jī)產(chǎn)生一個(gè)分類器，產(chǎn)生分類器的過程就是學(xué)習(xí)過程。這個(gè)定義還是抽象到機(jī)器學(xué)習(xí)領(lǐng)域中給出的一個(gè)一般化的概念。 前面這種學(xué)習(xí)是在知道先驗(yàn)信息的條件下給出的，為了與“不知道先驗(yàn)特征信息”的學(xué)習(xí)做區(qū)別，我們稱有先驗(yàn)特征信息的學(xué)習(xí)叫有監(jiān)督的學(xué)習(xí)，后者是無監(jiān)督的學(xué)習(xí)，無監(jiān)督學(xué)習(xí)也叫聚類(clustering)。那個(gè)尋找分類器的過程叫做訓(xùn)練training。

半監(jiān)督學(xué)習(xí)，條件是，我們知道一些特征向量所屬的類，還有一部分模式，我們不知道他們屬于哪些類。因?yàn)橹傈c(diǎn)先驗(yàn)信息，所以有監(jiān)督的含義，又因?yàn)槲覀冞€有不知道，所以我們有不監(jiān)督的含義，我們的目的是根據(jù)已知的部分信息，在進(jìn)行聚類。這就是半監(jiān)督的學(xué)習(xí)了。

參考資料

?Koutroumbas, Konstantinos; Theodoridis, Sergios (2008).?Pattern Recognition?(4th ed.). Boston: Academic Press

en.wikipedia.org

Duda.....