Die Verwendung von Mustererkennung und -klassifizierung ist für viele der heute eingesetzten automatisierten elektronischen Systeme von grundlegender Bedeutung. Trotz der Existenz einer Reihe von bemerkenswerten Büchern auf dem Gebiet, bleibt das Thema sehr anspruchsvoll, vor allem für den Anfänger. Pattern Recognition and Classification bietet eine umfassende Einführung in die Kernkonzepte der automatisierten Mustererkennung. Es ist für Neulinge aus unterschiedlichen Hintergründen zugänglich, aber es wird auch für Forscher und Fachleute in der Bild- und Signalverarbeitung und -analyse sowie in der Computervision nützlich sein. Grundlegende Konzepte der beaufsichtigten und unbeaufsichtigten Klassifizierung werden in einer informellen und nicht in axiomatischen Behandlung vorgestellt, so dass der Leser schnell den notwendigen Hintergrund für die Anwendung der Konzepte auf reale Probleme erlangen kann. In den späteren Kapiteln werden fortgeschrittenere Themen behandelt, wie z. B. die halbüberwachte Klassifizierung, die Kombination von Clustering-Algorithmen und Relevanz-Feedback. Dieses Buch eignet sich für Studenten und Absolventen, die Mustererkennung und maschinelles Lernen studieren. Beachten Sie, dass manchmal unterschiedliche Begriffe verwendet werden, um die entsprechenden überwachten und unbeaufsichtigten Lernverfahren für die gleiche Art von Ausgabe zu beschreiben. Beispielsweise wird das unbeaufsichtigte Äquivalent der Klassifizierung normalerweise als Clustering bezeichnet, basierend auf der allgemeinen Wahrnehmung der Aufgabe, von der keine Trainingsdaten zum Sprechen sind, und der Gruppierung der Eingabedaten in Clustern basierend auf einer inhärenten Ähnlichkeitsmessung (z.

B. der Entfernung zwischen Instanzen, die als Vektoren in einem mehrdimensionalen Vektorraum betrachtet werden), anstatt jede Eingabeinstanz einer Gruppe von vordefinierten Klassen zuzuweisen. In einigen Bereichen ist die Terminologie anders: In der Gemeindeökologie wird beispielsweise der Begriff “Klassifizierung” verwendet, um das zu bezeichnen, was gemeinhin als “Clustering” bezeichnet wird. Dieser Artikel konzentriert sich auf Machine Learning-Ansätze zur Mustererkennung. Mustererkennungssysteme werden in vielen Fällen aus beschrifteten “Trainingsdaten” (überwachtes Lernen) trainiert, aber wenn keine beschrifteten Daten verfügbar sind, können andere Algorithmen verwendet werden, um bisher unbekannte Muster zu entdecken (unbeaufsichtigtes Lernen). Maschinelles Lernen steht in enemtoler bezogen auf die Mustererkennung und stammt aus künstlicher Intelligenz. KDD und Data Mining konzentrieren sich stärker auf unbeaufsichtigte Methoden und eine stärkere Verbindung zur geschäftlichen Nutzung. Die Mustererkennung konzentriert sich mehr auf das Signal und berücksichtigt auch Die Erfassung und Signalverarbeitung. Es stammt aus dem Ingenieurwesen, und der Begriff ist im Kontext der Computer Vision beliebt: eine führende Computer Vision Konferenz heißt Konferenz über Computer Vision und Mustererkennung.

Bei der Mustererkennung kann ein höheres Interesse an der Formalisierung, Erklärung und Visualisierung des Musters bestehen, während maschinelles Lernen sich traditionell auf die Maximierung der Erkennungsraten konzentriert. Doch all diese Bereiche haben sich wesentlich von ihren Wurzeln in künstlicher Intelligenz, Technik und Statistik entwickelt, und sie sind sich immer ähnlicher geworden, indem sie Entwicklungen und Ideen voneinander integrieren. Der erste Musterklassifier – der von Fisher präsentierte lineare Diskriminant – wurde in der vielschichtigen Tradition entwickelt. Der häufige Ansatz beinhaltet, dass die Modellparameter als unbekannt, aber objektiv betrachtet werden. Die Parameter werden dann aus den gesammelten Daten berechnet (geschätzt). Für den linearen Diskriminanz sind diese Parameter genau die Mittelwerte und die Kovarianzmatrix. Auch die Wahrscheinlichkeit jeder Klasse p ( l a b e l | ) . . . . .

. . . . . . . . . . .

. . . . . . . . . . .

. . . . . . . . .

. . . . . . . . . . .

. . . . . . . .

. . . . . . . . . .

. . . . . . . . . . . .

. . . Das gesammelte Dataset wird anhand des gesammelten Datasets geschätzt. Beachten Sie, dass die Verwendung der “Bayes-Regel” in einem Musterklassifler den Klassifizierungsansatz Bayesian nicht ermöglicht.