噫放假到现在勉勉强强看完了模式分类第二章。。而且有点不明不白的。。。于是我打算好好整理下知识用通俗的语言描绘一下这个东西。。。（觉得我讲的差很糟糕的别拿板砖拍我）本来我打算把最近看完的第二章总结了先，后来发现专有名词太多万一让人看不懂了容易装逼失败（∠( ᐛ 」∠)＿）。所以我打算从绪论开始讲嗯 。
不过首先当然是简单讲下模式分类这本书讲的是啥（我原本想抄百度百科的发现讲了跟没讲一样）。这个问题要从很久很久以前说起，从前啊（我要开始装逼讲故事了），有几个盲人在摸象……（此处插入盲人摸象的故事）。这个故事告诉我们，我们可以通过事物的特征，比如大象的腿很粗，鼻子很长来判断这是一头象（这个故事的原来告诉我们的是不能片面看待事物嗯（￣□￣；））。我们根据平常用五官看到事物的特征来做判别处理，这个东西搞起来很简单，但其实吧，隐藏在这个背后处理机制很复杂很复杂（对就是在这里装逼）。模式识别（pattern recognition）——这种输入原始数据并根据其类别采取相应行为的能力——对于我们的生存至关重要（这里我当然用了书上的原话）。当我们对这样一个系统有了深刻的了解认知，利用算法与专用的硬件便可以解决很多问题。比如设计制造人脸识别语音识别各种识别的机器等等。
根据这本书背后的特点介绍，这本书清晰地阐明了模式识别的经典方法和新方法（对我这种渣渣来说清晰个鬼啊。。。），包括神经网络，随即方法、遗传算法以及机器学习理论。
看到这个我自己就想到了 模式分类 介绍的是模式识别 这俩是一个东西么？ 貌似有点区别吧。。。 从字面上理解 识别就是根据某样事物的特征去识别（比如你根据我长啥样眉毛有多浓认出了我TAT），应用的话就有人脸语音识别等等；分类就是根据某写已有的特征来进行分类，就比如你根据各种特征把男的和女的区别开来。而模式分类这本书讲的侧重的就是分类，选择好的分类方法。
好了接下来就要介绍各种各样的概念了（书上总是拿鱼来举例子。。我还是想点其他的吧嗯）
一：特征：这个额。。。就是我们日常说的特征。比如我眉毛特别浓（对我想不到其他例子了），比较科学的说法是物理特性上的差异。
二、模型：两个类别确实存在某种差异，就说他们有不同的模型，可以用数学形式表达的不同特征的描述。
三、决策：根据mba智库百科（就是这么一个百科吧）解释，决策就是作出决定或选择。好那我之前讲的判别方式就有点不符了。然而决策的概念太多也没法做出个很准确的解释所以就不扯了嗯。那么我重新来说一下好了，我们先根据鸡鸭他们的翅膀长度来对它来进行分类好了，我们说长度为大于20cm的是鸡，小于10cm的是鸭（这里关于长度我是瞎说的嗯），那么这种方式显然是不大好的，毕竟吧鸡鸭他们有自己的个性他们翅膀有长有短。那我们再选他们的嘴巴长度来进行分类，比如大于5cm的是鸭小于5cm的是鸡.这个判据就好多了，因为大家都知道鸭子的嘴比鸡的嘴一般来说要大，但是谁能保证鸡的嘴就没有大于5cm的呢？我们就是要调整这个5cm值让我们对鸡鸭的判断尽可能不出错（或者其他代价少or目标尽可能最优），这个点就是决策点嗯...
暂时先敲这么多，未完标记下。( ´ ` )ﾉ
7.15.今早起来又看了下书 对于决策这个解释可能有点出入我修改下（已修改）
继续更
四、模式识别系统：身为自动化学院的人不认识系统怎么说得过去（啊呸）。好了此处应有一个系统流程图。（我明天补困(￣o￣) . z Z）
好这里又出现了很多东西。
1、传感器：这个大家都有见到过的，话筒，摄像头什么的不多说了
2、分割和组织：这个就比较复杂了，比如你对着话筒说了一段话，它要识别这段话的内容但是说话总有停顿吧不能像我这样一句话没标点，所以肯定要对这句话进行分割。组织的话就正好相反了，你读了一个比较长的英文单词比如photograph，我们一下子就知道这是一个单词，但如果没把这当作一个词分开翻的话就成了photo和graph俩独立的单词，明显就会出问题，把这俩单词看作一个整体就是组织的作用。
3、特征提取，这个东西貌似很简单。。。但书上说的貌似很复杂。。。提取的特征吧，一个，同类的样本特征很接近（一类东西当然差不多都一样），不同类别样本特征值差异很大（很像废话对吧。。。），然而这种特征希望是不变的（对时间平移和整体振幅的改变是不变的）。。。 一个好的特征提取器还要从一堆特征中选择最有价值的特征。。。。所以一个特征提取器就会很复杂很复杂很复杂。。。
4、分类器，这边我觉得要引用官方的解释：根据特征提取器得到的特征向量来给一个被测对象福一个类别标记。就这么说吧，分类器是用来对某个对象分类的（没错就是废话），好重点就在分类这个概念。
分类的概念是在已有数据的基础上学会一个分类函数或构造出一个分类模型（即我们通常所说的分类器(Classifier)）。该函数或模型能够把数据库中的数据纪录映射到给定类别中的某一个，从而可以应用于数据预测。（——百度百科）。简单点讲（我赶脚百度百科那个解释够简单了）就是已知某个对象的数据（比如身高体重什么的）利用某个判别依据（像高于180低于160）把这对象分到哪一块去（高个儿矮个儿瘦子胖子什么的）
5、后处理。在得到输出结果后（就是把东西分完类之后）再进行的动作。这里的后处理与我们所学的控制系统中的反馈（feedback）很相似，我们针对目前的输出结果，可以对分类器再进行调整，从而降低总体的风险与代价。再举个栗子来说明这个东西，比如你就是对一群人分成胖子与瘦子两拨，最初的分类标准是体重大于160的就是胖子，你这么说好多人就不乐意了，明明不胖你非要说他是胖子，而且划到这拨的人又多，你挨揍的风险就很高很高了（女生的话会更高((´−｀) ﾝｰ），所以我们要降低这个标准，比如200斤什么的（这个标准我是瞎说的嗯）。我们说的风险与代价某些时候说的是你对一个明确类别的对象分类出错，明明是个男的你把它分成女的类似于这样（当然不会是这么明显的判别，虽然这个现在也不好判断。。。），当然我们直接观察的话并没有那么容易出错，但是我们交给计算机的是一大堆数据，计算机是通过数据来进行分类判断，这就不那么容易了，在已选择的分类器下对对象分类仍然会出错，而后处理就是在我们得到分类结果后对分类器进行调整，从而达到降低出错次数这一目标。（噫貌似我绕了一圈直接讲这个是不是更好。。。（￣□￣；））
五、设计循环
这里就是一个模式识别系统的设计步骤。。。有些地方我不知道怎么画所以暂时这个样子。期中数据采集、特征选取、模型选择、训练和评估这几个步骤要重复。
这里稍微解释一下这个系统
1、数据采集，这个就不说了
2、特征选取：对于不同的分类问题，我们要选的特征也不同，而且要选取有明显区分的特征，比较明显的雄雌区分可以看生殖器官（嗯我讲的很科学一点都不污），像书上举鱼分类的栗子，一些鱼的很多特征都很相似，这边我们要根据科学知识，选取鱼的光泽度神马的来进行分类就比较好。
3、模型选择：选择合适的分类器模型，其实我在文章当中解释说明的时候大部分都没有用模型这个概念。一个是为了讲的通俗易懂（让我懂），另一个这边的模型与现实中的模型差别比较大。像这边的分类器模型，可能是判别函数或者数学表达，能将两个类别明确分开。
4、训练和评估：利用样本数据来确定分类器的过程称为训练分类器（具体在以后的章节讲）。评价。。。就是评价，你对这个结果评价的好或者不好决定要不要对系统调整或者修改。
5、计算复杂度：这个是在系统之外的，我们采用的算法特征维数、或模式的数目、或类别数的函数。（这里不做解释说明）
六、有监督学习与无监督学习（五被我吃了明天吐出来）：有监督学习的话就相当于你的高中生活，你不断地学习，但是这个时候你的任课老师会监督你，会帮你解决问题纠正错误，引领你走向一条正确的道路，减少你犯错的可能。在有监督学习中就会有类似于老师的一个信号，它会对你的输入样本进行标记和分类，寻找减少总代价的方向。
那无监督学习就相当于大学生活了，没有老师监督，也就是没有一个显式的信号，在大学里任由学生自己去学习发展形成不同的群体，爱好打游戏的就凑在了一起，热爱学习的成了学霸中的一员等等等等。再套用书上的话就是系统对输入样本自动形成"聚类"（cluster）或“自然的”组织，这里为什么要打引号呢，书上解释是否“自然”是由聚类系统所采用的显式或隐式的准则来确定的，我的理解把，就是成为学霸或者成为学渣并不是完全偶然的，可能他们所在的寝室学习氛围浓厚就带动大家好学，可能是遇到了好的老师才好学的，可能就是懒才成为学渣的（没错就是我），所以此时存在一定的算法，啊不，一定的准则导致一定的结果。
