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
概念:
- 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。
拟合程度:
- 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