【机器学习】模式识别

1 概述

模式识别，简单来讲，就是分类问题。

模式识别应用：医学影像分析、人脸识别、车牌识别、遥感图像

2 模式分类器

分类器的分类：线性分类器、非线性分类器、最近邻分类器

2.1 分类器的训练（学习）过程

2.2 分类器的性能评价

• 真正例（True Positive 简称：TP）：真的判定为真的
• 假负例（False Negative 简称：FN）：真的判定为假的
• 真负例（True Negative 简称：TN）：假的判定为假的
• 假正例（False Positive 简称：FP）：假的判定为真的

Precision：准确率
Recall：召回率
F：调和均值

泛化性能：是指训练好的模型在前所未见的数据(测试集)上的性能好坏。

• 过拟合： 是指学习时选择的模型所包含的参数过多，以至于出现这一模型对已知数据预测的很好，但对未知数据预测得很差的现象。这种情况下模型可能只是记住了训练集数据，而不是学习到了数据特征。
• 欠拟合：模型描述能力太弱，以至于不能很好地学习到数据中的规律。产生欠拟合的原因通常是模型过于简单。

解决过拟合问题的方法： 加数据 和 正则化
解决欠拟合问题的方法： 增加新特征、添加多项式特征、减少正则化参数

涉及抄袭文章：
深度学习相关概念：过拟合与欠拟合：https://blog.csdn.net/muye_IT/article/details/123627223