【机器学习】模式识别

2023-12-23 20:08:17

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

在这里插入图片描述

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

在这里插入图片描述

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

文章来源:https://blog.csdn.net/qq_1532145264/article/details/135149587
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。