模式识别基本概念

要知道模式识别讲什么内容。主要解决什么问题，我们如何进入这个领域，总要知道一些基本的概念，一些基本的、现有的方法。

概念性的东西，参考希腊的那本《Pattern Recognition》，我看的是第四版的影印版，有时候也会看看Duda的模式分类，这本书有电子版原版，原版影印版在国内已经绝版了。有时候也会参考wikipedia，这个网站确实不错！

1、模式识别

 英文是 Pattern recognition。 有时候业内的人常把它简单写成PR，他是一门科学，将多个对象分到不同的类别的学科。wikipedia解释说，PR是机器学习的一个学科，而机器学习又是人工智能的一个分支。不想把问题描述的这么全面，我们只在模式识别里面看问题。

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

 根据不同的应用背景，这里的object可以是很多东西，比如图像啊什么的，我们不关心这个object到底是啥，为了表明我们真的不关心，干脆不叫他object了，叫一个更加高级的名字，就叫pattern，中文翻译为模式。这样模式识别就是把模式分到不同的类里了，这就不难理解Duda为啥把他的书叫模式分类了。 

2、features, feature vectors, classifiers

就是特征，特征向量，还有分类器。每个需要我们分类的模式，可能有很多特征，那么特征就可以认为是模式的函数，一般这个函数是实值的，至少我没有遇到过复数的特征，如果是复数，我们可以看成两个特征。因为每个模式可能有多个特征，所以我们把这些特征弄成一个向量，因为在代数里面，向量都是用列向量来描述的，这里我们也会用列向量来描述，以便我们好使用代数里面的结论。 这个向量我们一般称之为特征向量，就是feature vector了。至于分类器，其本质也是函数，接受特征向量，给出类别的函数，为了方便计算机处理，我们一般用数字来表示类别。这样分类器也是一个实值函数了。

为了能慢慢进入这个领域，我想多多在进入之前思考一下是有必要的。

模式识别里面，常常把 特征看成是随机变量，大约可以有两个理由说明这一点，首先同一个类之中的模式存在差异，随机取一个模式，他的某个特征可能是随机的，比如随机在一堆鱼里面取一条鱼，他的长度特征在取之前可以认为是随机的。 另外，我们在度量模式的特征的时候，由于仪器，设备等原因，可能会引入随机误差，也就是说我们很难提供100%的精确控制，来获得精确的特征值。

为研究方便，总是给出数学记号的，L个特征x_i , i = 1,...,L，组成特征向量 X = [x_1, ...., x_L]^T

misclassification，如果分类器把输入的模式分错了，我们就说发生了‘错分’，就是misclassification发生了。特别注意，每个模式都有一个特征向量，所以我们分类的时候，就是通过特征向量来分类的，把特征向量输入到分类器（就是那个分类函数）里，然后会得到一个类别返回值，类别呢如果错了，就说发生了错分。

在讨论分类器的时候，会讨论这些问题的。现在我们就使劲把这些概念先装到脑子里，让这些概念添加到我们的条件反射里，深入骨髓！这个东西就会是自己的了，我们就进入这个领域了。

3、那些需要解决的任务

 * 如何产生我们需要的特征？这个根据不同的应用，方法也各有不同，计算机视觉中，我们要找图像的特征。文本分类就搞搞文本特征。具体有哪些，还需要很多时间来研究。这个过程叫 feature generation stage， 特征产生阶段。

 * 我们需要产生多少特征？ 多少个特征是最好的？一般我们处理这种问题的时候，采用先找尽量多的特征，然后再根据某些规则使用这些特征中的某一些特征。这个阶段叫 feature selection stage，特征选择阶段。

 * 特征有了，怎么设计分类器？如何找一个规则，在这个规则下造一个最好的分类器？哪些规则好？ 有了规则，有了模型，分类器怎么求解？这都是需要我们努力解决的问题啊。 幸运的是，我们现在解决了很多问题了，所以，学习PR还是有很大意义的。这个阶段叫，classifier design 分类器设计阶段。

 * 最后，如何来评价分类效果？ 不评价下，总是不完美的吧。说自己好，需要有标准才行。会有一些可以比的项啊，比如分类错误率，classification error rate。这个阶段叫system evaluation stage 系统评估阶段。

这个是传统吧，人 ，本身很向往自由的，看了这个，就发现，自己被框住了，特别不情愿啊，总想着，是不是有其它途径解决分类的问题啊，我不用特征向量行不行呢？直接用原始数据呢？ 原始数据不又变成特征了么。有些时候自己不情愿也没办法呀，想站在巨人的肩膀上成就一番事业，总是要继承一下巨人的成就嘛，至少可以批判性的继承呀。哈哈。

4、supervised， unsupervised， semi-supervised learning

有监督的，无监督的，半监督的学习。 首先，学习是啥呢？是这样的，我们在知道了某些特征向量属于哪些类了，比如给了n个特征向量，其中n1个是0类，其余的为1类，根据这个信息（这个信息，我们一般称为priori 信息，就是先验信息啊），人为设计一个方法，这个方法会指导计算机产生一个分类器，产生分类器的过程就是学习过程。这个定义还是抽象到机器学习领域中给出的一个一般化的概念。 前面这种学习是在知道先验信息的条件下给出的，为了与“不知道先验特征信息”的学习做区别，我们称有先验特征信息的学习叫有监督的学习，后者是无监督的学习，无监督学习也叫聚类(clustering)。那个寻找分类器的过程叫做训练training。

半监督学习，条件是，我们知道一些特征向量所属的类，还有一部分模式，我们不知道他们属于哪些类。因为知道点先验信息，所以有监督的含义，又因为我们还有不知道，所以我们有不监督的含义，我们的目的是根据已知的部分信息，在进行聚类。这就是半监督的学习了。

参考资料

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

en.wikipedia.org

Duda.....