壹
模式识别 目的是将对象进行分类
用来分类的测量值，均值和标准偏差称为 特征值。一般情况下使用l 个特征值 组成特征向量。每一个特征向量表示一个样本（对象）。本书中特征值和 特征向量 分别视为 随机变量 和向量。
决策线 将特征空间划分为不同的类空间。
用来设计分类 器的样本（特征向量）的所属类是已知的，这些样本称为训练样本（训练特征向量）。
怎样得到特征？用均值和偏差作为特征。这是特征提取阶段的任务
特征数多少 为好？ 特征选择阶段
怎样设计分类器？ 按最优准则。在分类器设计阶段
如何评估分类器性能？ 系统评估阶段
有监督和无监督模式识别 假设可用训练集，通过挖掘已知先验知识来设计分类器。
没有已知类别标签的训练数据可供使用， 给定一组特征向量来提示潜在的相似性，并且将相似性的特征向量分为一组。这就是无监督模式识别或聚类clustering
贰
基于贝叶斯决策理论的分类器 将未知类型的样本分类到最可能 类别中．
有关模式识别 分类器设计的内容共有三章。这是第一章。 下面介绍的方法以特征值的统计概率为基础，
m 类分类任务， 生成 m 个条件概率。
用特征向量x表示的未知样本。
对于特征向量X ， 每一项都代表未知样本 属于 某一特定类的概率。
要计算条件概率 ， 贝叶斯规则条件概率，
贝叶斯分类规则描述：
证明： 贝叶斯分类器在最小化 分类错误率上 最优。
最小平均风险。
判别函数和决策面。 使分类错误率 或风险概率最小化， 等价于 将特征空间划分 m 个区域。
通过选择代价的方法 直接计算决策面 ， 性能次于Bayes
正态分布的贝叶斯方分类
高斯 密度或 正态密度 容易计算 ， 能 充分模拟大量的数据 。
二次曲线 分类器。
决策 超平面 ， hyper planes
最小距离 分类器。
在实际应用 中， 普遍使用高斯分布 来描述每 类 中的数据 。 根据协方差的假设 来决定相关的贝叶斯分类 器 是线性的还是二次的，判断它们是否完全相同 或有差别。
线性判别分析/二次判别分析 LDA 和 QDA 存在的主要问题是 ：必须在高维空间 条件下 估计大量的未知参数。 必须有大量的训练样本，这是任何一个分类器的主要问题。
从分类的角度来看，线性和二次 决策面 对空间对待了合理的划分 ，
未知概率密度函数的估计
有时知道概率密度函数的类型（高斯 ， 瑞利。。） 但不知道具体的函数，，例如均值方差， ，，，。 或不知道函数类型， 但知道均值方差。
最大似然估计 Maximum Likelihood
最大似然是渐近无偏的。无偏估计
最大似然是渐近一致的，满足一致性条件，收敛于均方值。
最大似然是渐近有效的。总之， 最大似然是无偏的，正态分布的，具有最小方差的估计。 但所有这些优点只有N足够大才成立。
最大后验概率估计
最大似然和 最大后验 不同之处。
贝叶斯推论
最大熵估计 熵是关于事件 的 不确定因素的度量方法， 从另个角度来看， 是系统输出信息 （特征向量）的随机性度量。
未知概率密度函数的 最大熵估计 都服从均匀分布 。
混合模型
通过密度函数的纯属合并 获取未知的模型。
换言之，假设一个J分布符合p , 这个模型隐含的 假设 是每一个 点x 都 可能以概率 P 属于 J模型分布。可以看出这个模型可以接近任何连续密度函数， 只要有足够量的 混合 J和适当的参数。
这个过程的第一步，以参数形式 选择密度组成 p ， 然后根据已知训练样本 计算未知 参数 theta 和P 。 可以用不同方法 计算 。 典型的最大似然法，即使 theta 和P 的似然函数 最大 是第一种方法。 但由于未知参数 以非纯属形式出现在最大化中， 导致计算困难 ，
非参数估计 这是未知概率密度函数的直方图估计．
Parzen 窗
k近邻密度估计
朴素贝叶斯分类器 可克服维数灾难，并有效利用训练样本集．但从完全依赖特征转到了相互独立特征的情况．
最近邻规则
贝叶斯网络 DAG,
/
需要巩固下matlab . 书到用时方恨少吗？ 话说回来 我从来也没有好好看过它．然何谓＂好好看过＂ ，世间事若皆由尔花费精力，故无全力举大事，败也．
叁
线性分类器 的主要优点是 简单和可计算性，．研究线性函数的计算方法，寻找优化规则．
线性判别函数和决策超平面
感知器算法
最小二乘法
均方误差估计 MSE
随机逼近和LMS（最小均方）
误差平方和估计
均方估计的回顾
均方误差回归
MSE 后验概率
偏差方差选择
逻辑识别
支持向量机
可分类
不可分类
多类
v-SVM
几何学观点
简化的凸包
肆
非线性分类器，线性分类器即使最理想情况下也难以产生满意性能 ，因此有必要设计非线性分类器．
两层感知
三层感知
基于训练的准确分类
反向传播
反向传播算法的改进
代价函数
神经网络大小的选择
仿真实例
具有权值共享的网络
纯性分类器推广
线性二分法 l维空间容量
多项式分类器
径向基函数网络
通用逼近
概率神经元网络
支持向量机：非线性情况
超越SVM的范例
核函数和稀疏模型的扩展
鲁棒性统计回归
决策树
问题集
分支准则
合并分类器
几何平均
算法平均
多数投票
贝叶斯观点
类的不平衡
伍
特征选择 给定一些特征 ，怎样选择其中重要特征以减少特征数量，尽量保留分类信息．
预处理： 剔除离群点， 数据归一化， 丢失数据 ，
峰值现象：
基于统计假设检验的特征选择
接收机操作特性 ROC曲线
类可分性测量
发散性
Chernoff 界和 Bhattacharyya距离
散布矩阵
特征子集选择
标量特征
特征向量
最优特征生成
神经网络特征生成
推广理论
贝叶斯信息准则
陆
特征生成：线性变换 将给定测度集合变换成新的特征集合，这一处理过程称为维数降低任务 ．
Karhunen_Loeve变换 或PCA 是常用的特征生成 我降低维数的方法． PCA ．可以通过KL变换得到互不相关特征．如果以维数降低为目标 ， 并希望逼近均方差极小化，由KL变换得到的结果最优．
奇异值分解 广泛应用于模式识别的维数降低．
独立成分分析 ICA .
非负矩阵因子分解
非线性维数降低
DFT
DCT
Hadamard变换
Haar变换
离散时间小波DTWT
多分辨解释
小波包
二维推广
柒
特征生成 ，给定一幅图像或一个区域生成特征，然后 将这些特征送入分类器，将图像分类到可能 的类中．
区域特征
纹理特征
局部线性变换
矩
参数模型
字符形状和大小
傅里叶特征
链码
几何特征
分形
自相似性和分形维数
分形布朗运动
语音
捌
模板匹配 假定有一个有效的参考模板集，然后决定未知模式与哪个参考模式是最佳匹配．
基于最优路径搜索技术的测度
基于相关的测度
可变形的模板模型
基于内容的信息搜索
釚
上下文相关分类 假设各类之间密切相关的，连续的特征向量不是相互独立的．单独对单个特征向量分类是没意义的，
贝叶斯分类器
马尔科夫链模型
Viterbi算法
信道均衡
隐马尔科夫
状态驻留HMM
马尔科夫随机场
壹拾
监督学习：尾声 １.系统错误率评价性能 ２. 结合各互相独立的设计阶段成一个系统 ３. 半监督
误差计算方法
探讨有限数据集大小
医学图像实例
半监督学习
壹拾壹
聚类 本章及以后 无监督学习．解释聚类 并讨论近邻测度．
近邻测度
壹拾贰
聚类算法：顺序算法
聚类算法的分类
BSAS改进
两个阈值的顺序方法
改进
神经网络实现
壹拾叁
聚类算法： 层次算法，不产生单一聚类，而是层次聚类，通常用于社会科学和生物学领域．
合并算法
cophenetic矩阵
分裂算法
用于大数据集的层次算法
最佳聚类选择
壹拾肆
聚类算法： 基于函数最优算法 用数据集X的所有向量来计算聚类表达 ，而不仅仅是分配到该聚类的向量．
混合分解方法
模糊聚类
点
二次曲面
超平面
几何解释
可能性聚类
硬聚类
向量量化
一拾伍
聚类算法：１.基于图论 ２.基于竞争学习 ３.分支和有界算法 ４.形态变换
基于图论的聚类算法
竞争学习
二值形态聚类
边界检测
谷点搜索
代价最优聚类
分支和有界聚类
模拟退火
确定退火
核聚类
大数据集基于密度算法＇
高维数据集的聚类算法
一十六
聚类有效性 验证X是否具有聚类结构的问题踢球为聚类趋向，
假设检验回顾