机器学习中的模式识别

2025年8月13日 | 阅读 11 分钟

什么是模式识别

模式识别是对数据中的模型和纹理进行现代化的识别。它在量化数据评估、信号处理、图像分析、信息检索、生物信息学、数据压缩、计算机图形学和人工智能等领域都有应用。模式识别起源于测量和规划；一些现代的模式识别方法包括使用人工智能，因为海量数据的广泛可用性和处理能力的激增。这些活动可以被视为同一应用领域的两个方面，并且它们在最近几年取得了巨大的发展。

模式识别系统通常使用标记过的“训练”数据进行训练。当没有标记数据可用时，可以使用各种计算来发现隐藏的模式。KDD和数据挖掘更侧重于独立过程和与业务应用的更强关联。模式识别专注于信号，并研究信号的获取和处理。它起源于规划，并且在计算机视觉领域很出名：一个主要的计算机视觉会议名为计算机视觉和模式识别会议。

模式识别算法通常旨在为每个可能的数据提供一个合理的响应，并执行数据的“精确”匹配，考虑到它们的实际变化。这与模式匹配算法相反，后者在匹配历史模式时寻找精确的匹配。一个典型的模式匹配算法的例子是传统文本匹配，它在基于文本的数据中搜索给定类型的实例，并与各种文本编辑器和文字处理器的搜索功能相关联。

示例：语音识别、语音识别、多媒体文档识别（MDR）和自动医疗诊断。

在典型的模式识别应用中，原始数据被处理并转换为机器可理解的格式。模式识别包括模式的分类和分组。在分类中，根据许多训练模型或领域数据产生的表示，为模式分配一个有效的类名。分类用于监督学习。分类生成了部分数据，这有助于我们进行自由定向、独立发展。聚类用于独立学习。特征可以被认为是连续的、离散的或离散匹配的变量。特征是至少一个评估的一部分，因此它度量一些重要的属性。

例如：考虑我们的脸。然后，眼睛、耳朵、鼻子等是脸部特征。一组共同构成的特征形成了特征向量。在上述脸部的例子中，如果所有特征（眼睛、耳朵、鼻子等）都被考虑在内，那么分组就是一个特征向量（[眼睛、耳朵、鼻子]）。特征向量将一个特征分组为一个 d 维特征向量。在语音的情况下，MFCC（梅尔频率倒谱系数）是语音的频谱特征。前 13 个特征的分组形成了特征向量。

模式识别具有以下特征

模式识别系统应快速准确地识别可识别的模式
识别和组织新事物
准确地从不同角度识别形状和物体
即使部分被遮挡，也能识别模式和物体
快速、高效、自动地识别模式。
模式识别中的训练和学习

学习是一种特性，通过这种特性，系统进行准备并变得灵活以实现特定目的。学习是系统在提供给系统的数据上表现如何的关键阶段。根据这一点，算法被应用于数据。整个数据集被分为两类，一类用于训练模型，例如训练集，另一类用于在训练后测试模型，例如测试集。

训练集

训练集用于构建模型，并包含用于训练系统的图像。训练规则和算法用于提供有关如何将输入数据与输出决策关联的必要信息。通过将这些算法应用于数据集来训练系统，从数据中提取所有相关信息并获得结果。通常，数据集的 80% 数据用于训练数据。

测试集

测试数据用于测试系统。数据规划用于检查系统在训练后是否提供正确的结果。通常，数据集的 20% 数据用于测试。测试数据用于测量系统的准确性。例如，一个识别特定花朵属于哪个类别的系统，可以准确识别十个类别中的七个类别，而其他类别则识别错误；那么准确率就是 70%。

实时示例和解释

模式是真实的事物或一个假设的概念。在研究动物的类别时，动物的描述就是一个模式。在研究不同类型的球时，球的描述就是一个模式。就球而言，类别可以是足球、板球、乒乓球等。给定一个新的模式，仍然可以确定该模式的类别。确定属性和描述模式是模式表示的关键阶段。良好的表示可以区分属性并降低模式分类的计算负载。

模式的一个著名表示形式是一个向量。向量的每个分量都可以代表模式的一个属性。向量的第一个分量将包含所考虑模式的主属性值。

示例：在表示球体时，(25, 1) 可以表示为一个重量为 25 个单位、宽度为 1 个单位的球体。类别标签可以构成向量的一部分。假设球体属于类别 1，那么向量将是 (25, 1, 1)，其中第一个分量表示物体的重量，第二个分量表示物体的宽度，第三个分量表示物体的类别。

传感器：传感器是一种用于测量属性（如应变、位置、温度或加速度）并响应输入信号的设备。
预处理系统：分割被使用，它是将数据划分为不同段的过程。它也可以被描述为将数据分离或分配为称为段的处理过程。
特征提取系统：特征提取从一组评估过的原始数据中生成确定的值（特征），这些值旨在有用且不过度冗余，有助于后续的学习和推理步骤，有时还能带来更好的人类理解。它可以是手动的或自动的。
表示算法：模式识别算法通常旨在为每个可能的数据提供一个合理的响应，并执行数据的“精确”匹配，考虑到它们的实际变化。
训练集：训练数据是整个数据集的一部分，与测试集一起。一般来说，训练数据越多，算法或分类器的性能就越好。

优点

模式识别处理分类问题
模式识别处理虚假生物特征区域的问题。
它对于视觉障碍盲人的物理模式识别至关重要。
它有助于说话人分段。
我们可以从不同的角度看到精确的物体。

缺点

句法模式识别方法实现起来很复杂，而且过程非常缓慢。
为了获得更好的准确性，需要更大的数据集。
它无法弄清楚为什么会看到某个特定物体。

应用

图像处理、分割和分析

模式识别用于为需要图像处理的机器提供人类识别能力。

计算机视觉

模式识别从给定的图像/视频样本中提取重要特征，并用于计算机视觉领域，例如生物和生物医学成像。

地震勘探

模式识别方法用于揭示、成像和解释地震剖面中的自然模式。量化模式识别已被应用于不同类型的地震勘探模型。

雷达信号分类/分析

模式识别和信号处理技术已用于各种雷达信号分类应用，例如 AP 地雷探测和身份识别。

语音识别

使用模式识别最佳模型在语音识别方面取得了最佳结果。它用于语音识别的各种算法，这些算法试图避免使用音素级别表示的问题。它将更大的单位（如单词）作为模式进行处理。

指纹识别

指纹识别技术是生物识别市场中的一项常见技术。已使用各种识别技术进行指纹匹配，其中模式识别方法被广泛使用。

模式识别的原则

在模式识别中，有几个基本的原则和设计考虑因素至关重要

特征表示

数据如何表示或编码对于构建模式识别系统至关重要。选择适合核心问题并能捕捉数据本质模式的特征至关重要。

相似性度量

相似性度量用于检查两个感兴趣数据之间的相似性。不同的相似性度量可能适合不同类型的数据和问题。

模型选择

模式识别可以使用各种模型，包括线性、非线性、概率模型。选择适合数据和核心问题的模型至关重要。

评估

使用合理的计算和数据集来评估模式识别系统的性能至关重要。这使我们能够比较各种算法和模型的性能，并为核心紧迫问题选择最佳方案。

预处理

预处理是将数据准备好进行评估的最常见方法。这可能包括清理、缩放或转换数据，以使其更适合分析。

特征选择

特征选择是从数据中选择最相关特征子集的过程。这有助于提高模式识别系统的性能并降低模型的复杂性。

示例

假设我们有一个包含苹果和橙子数据的的数据集。每种水果的特征是它的颜色（红色或黄色）和形状（圆形或椭圆形）。我们可以使用字符串列表来表示每种水果，例如，对于一个红色的、圆形的的水果，表示为 ['red', 'round']。

我们需要创建一个函数来预测给定水果是苹果还是橙子。我们将使用一种称为 k-最近邻 (k-NN) 的简单模式识别算法来实现此目的。

程序

# Here, we are creating a Python program to predict the fruit based on the given        # input of the user
from collections import Counter
def predict(fruit):
	# Here, we are counting the number of apples and oranges in the training data
	num_app = sum ([1 for f in training_data if f[-1] == 'apple'])
	num_oran = sum ([1 for f in training_data if f[-1] == 'orange'])
	num_guava = sum ([1 for f in training_data if f[-1] == 'guava'])
	# Here, we are finding the k closest neighbors of the fruit present
	near_neigh = find_near_neigh(fruit, training_data, k=5)
	# Here, we are counting the number of apples and oranges among the closest  # neighbors
	num_app_nn = sum ([1 for nn in near_neigh if nn [-1] == 'apple'])
	num_oran_nn = sum ([1 for nn in near_neigh if nn [-1] == 'orange'])
	num_guava_nn = sum ([1 for nn in near_neigh if nn [-1] == 'guava'])
	# Here, we are predicting the name of the fruit in light of the larger part of class  # among the closest neighbors
	if num_app_nn > num_oran_nn:
		return 'apple'
	else if num_app_nn < num_oran_nn:
		return 'orange'
	Else:
		return 'guava'
# Here, we are making a training dataset
training_data = [
	['red', 'round', 'apple'],
	['red', 'oval', 'apple'],
	['yellow', 'round', 'orange'],
	['yellow', 'oval', 'orange'],
	['green', 'round', 'guava']
]
# Here, we are making a test fruit
test_fruit = ['red', 'round']
# Here, we are predicting the name of the test fruit
pred = predict(test_fruit)
print("The fruit predicted based on the given input is:", pred)

输出

The fruit predicted based on the given input is: Apple

程序 2

# Here, we are creating a Python program to predict the fruit based on the given        # input of the user
from collections import Counter
def predict(fruit):
	# Here, we are counting the number of apples and oranges in the training data
	num_app = sum ([1 for f in training_data if f[-1] == 'apple'])
	num_oran = sum ([1 for f in training_data if f[-1] == 'orange'])
	num_guava = sum ([1 for f in training_data if f[-1] == 'guava'])
	# Here, we are finding the k closest neighbors of the fruit present
	near_neigh = find_near_neigh(fruit, training_data, k=5)
	# Here, we are counting the number of apples and oranges among the closest  # neighbors
	num_app_nn = sum ([1 for nn in near_neigh if nn [-1] == 'apple'])
	num_oran_nn = sum ([1 for nn in near_neigh if nn [-1] == 'orange'])
	num_guava_nn = sum ([1 for nn in near_neigh if nn [-1] == 'guava'])
	# Here, we are predicting the name of the fruit in light of the larger part of class  # among the closest neighbors
	if num_app_nn > num_oran_nn:
		return 'apple'
	else if num_app_nn < num_oran_nn:
		return 'orange'
	Else:
		return 'guava'
# Here, we are making a training dataset
training_data = [
	['red', 'round', 'apple'],
	['red', 'oval', 'apple'],
	['yellow', 'round', 'orange'],
	['yellow', 'oval', 'orange'],
	['green', 'round', 'guava']
]
# Here, we are making a test fruit
test_fruit = ['Yellow', 'round']
# Here, we are predicting the name of the test fruit
pred = predict(test_fruit)
print("The fruit predicted based on the given input is:", pred)

输出

The fruit predicted based on the given input is: Orange

程序 3

# Here, we are creating a Python program to predict the fruit based on the given        # input of the user
from collections import Counter
def predict(fruit):
	# Here, we are counting the number of apples and oranges in the training data
	num_app = sum ([1 for f in training_data if f[-1] == 'apple'])
	num_oran = sum ([1 for f in training_data if f[-1] == 'orange'])
	num_guava = sum ([1 for f in training_data if f[-1] == 'guava'])
	# Here, we are finding the k closest neighbors of the fruit present
	near_neigh = find_near_neigh(fruit, training_data, k=5)
	# Here, we are counting the number of apples and oranges among the closest  # neighbors
	num_app_nn = sum ([1 for nn in near_neigh if nn [-1] == 'apple'])
	num_oran_nn = sum ([1 for nn in near_neigh if nn [-1] == 'orange'])
	num_guava_nn = sum ([1 for nn in near_neigh if nn [-1] == 'guava'])
	# Here, we are predicting the name of the fruit in light of the larger part of class  # among the closest neighbors
	if num_app_nn > num_oran_nn:
		return 'apple'
	else if num_app_nn < num_oran_nn:
		return 'orange'
	else:
		return 'guava'
# Here, we are making a training dataset
training_data = [
	['red', 'round', 'apple'],
	['red', 'oval', 'apple'],
	['yellow', 'round', 'orange'],
	['yellow', 'oval', 'orange'],
	['green', 'round', 'guava']
]
# Here, we are making a test fruit
test_fruit = ['green', 'round']
# Here, we are predicting the name of the test fruit
pred = predict(test_fruit)
print("The fruit predicted based on the given input is:", pred)

输出

The fruit predicted based on the given input is: Guava

下一话题Uci-machine-learning-repository

机器学习中的模式识别

什么是模式识别

模式识别具有以下特征

训练集

测试集

实时示例和解释

优点

缺点

应用

模式识别的原则

示例

程序

程序 2

程序 3

联系信息

关注我们

教程

面试题

在线编译器

Python

Java

.Net Framework

AI, ML and Data Science

Cloud Technology

B.Tech and MCA

Web Technology

PHP

Software Testing

Technical Interview

Java Interview

Python

Web Interview

Database Interview

B.Tech / MCA

Important Interview

Software Testing Interview

Company Interviews

Online Compilers

Multiple Choice Questions

机器学习

监督式学习

分类

杂项

相关教程

面试题

机器学习中的模式识别

什么是模式识别

模式识别具有以下特征

训练集

测试集

实时示例和解释

优点

缺点

应用

模式识别的原则

示例

程序

程序 2

程序 3

相关帖子

Adadelta 优化器

使用智能手机进行人类活动识别

可解释机器学习与可理解机器学习的区别

主成分分析

什么是大数据和机器学习

协方差矩阵的意义和应用

目标检测与识别的评估指标

深度学习中的注意力机制

机器学习中的几何模型

一对一 (OvO) 多类分类器

订阅 Tpoint Tech

联系信息

关注我们

教程

面试题

在线编译器