文档介绍：模式识别 基本词汇 名词解释
本讲稿第一页，共二十页
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。模式识别 基本词汇 名词解释
本讲稿第一页，共二十页
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。
本讲稿第二页，共二十页
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。
本讲稿第三页，共二十页
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
本讲稿第四页，共二十页
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。
本讲稿第五页，共二十页
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。
本讲稿第六页，共二十页
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。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。
本讲稿第七页，共二十页
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。
本讲稿第八页，共二十页
基本词汇
学****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****就像人认识事物的本领的获取与提高都是通过学****得到的。在本门课中将学****分成有监督学****与无监督学****两种不同的方法。
本讲稿第九页，共二十页
基本词汇
训练：一般将有监督学****的学****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的类别已知。
本讲稿第十页，共二十页
基本词汇
有监督学****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****方法是在训练集指导下进行的，就像有教师来指导学****一样，称为有监督学****方法。与之相对的是无监督学****方法。
本讲稿第十一页，共二十页
基本词汇
无监督学****方法：在一组数据集中寻找其规律性的过程称为无监督学****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****没有训练样本集作指导，这是与有监督学****方法的不同点。
本讲稿第十二页，共二十页
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。
本讲稿第十三页，共二十页
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。
本讲稿第十四页，共二十页
基本词汇
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ω1，而作决策为ω2 ，则可以定义此时作ω2决策的风险为λ(ω2 |