摘要：学习心得 老师教的不错，但是感觉有些地方教的不够仔细，比如数学推导的过程。 课程引人思考，每一节的最后都提出了问题，用来引出下一节的内容。 但感觉好像教了些不重要的东西（在其他参考资料中少见），比如直方图与核密度估计，还有fisher判据。 感觉最后一章的难度较大，教的也不够详细，比如没有给出二次规 阅读全文

摘要：线性判据基本概念 线性判据： 定义：如果判别模型 f(x) 是线性函数，则 f(x) 是线性判据。 优势：计算量少，适用于训练样本较少的情况下。 模型： 判别公式： 决策边界： w 的方向垂直于决策边界。 样本到决策边界的距离： r = f(x)/||w|| 参数空间：由各个参数维度构成的空间。 解 阅读全文

摘要：贝叶斯决策和MAP分类器 后验概率 p(Ci|x) 表达给定模式 x 属于类 Ci 的概率。 模式 x 属于类 Ci 的后验概率计算公式为： MAP分类器：将测试样本决策分类给后验概率最大的那个类。 判别公式： 对于二分类问题，MAP分类器的决策边界： 单维空间：通常有两条决策边界。 高维空间：复杂 阅读全文

摘要：MED分类器 基于距离的决策：把测试样本到每个类之间的距离作为决策模型，将测试样本判定为其距离最近的类。 判别公式：y ∈ Ci if d(y, Ci) <= d(y, Cj) any j != i 常见的几种距离度量： MED分类器（最小欧式距离分类器）： 距离衡量：欧式距离 类的原型：均值 决策 阅读全文

摘要：什么是模式识别 模式识别：根据已有知识的表达，针对待识别模式，判别其决策所属的类别或者预测其对应的回归值。 分类：输出量是离散的类型表达，即输出待识别模式所属的类别。 回归：输出量是单个/多个维度的连续信号表达（回归值）。 回归是分类的基础：离散的类别值是由回归值做判别决策得到的。 模式识别数学表达 阅读全文