SunJerdege

读 Duda；     以理解为主，其内容，其思想

非参数技术    采用贝叶斯决策，需要对概率分布进行估计，然后通过最大似然或者贝叶斯估计的方法估计其分布的参数，然后在通过贝叶斯分类器进行分类，这种方法叫做参数判别方法。然后实际上，对样本分布的估计往往是不准确的，也是比较困难的，在本章就针对不同的情况，设计不同的分类器，这种

第二章  模式识别 -准备   “模式识别”，那什么是“模式”，什么是“识别”呢？估计学过模式识别的在看到这个问题的一瞬间肯定hold不住。    首先看“识别”，这其中包括“识”和“别”，“识”是认识，“别”是判断，比如，我知道这个是苹果，那个是果树，这叫“识”；知道这

第四章  神经网络    前两章的贝叶斯分类、非参数判别技术和本章的神经网络是三种监督的学习方法。    在非线性问题上，前面提到了“分段线性分类”的思路，然而当面对一个很复杂的样本空间时，求其各个类别之间的线性关系是很困难的，而多层神经网络提供了一个对任意分类问题寻求最

第二章    贝叶斯决策论     Duda的这一章第一句话是“贝叶斯决策是解决模式分类问题的一种基本统计途径。。。。”。什么意思呢？第二章说了模式识别领域的几个关键词，而这一章的贝叶斯有属于那一个步骤呢？为什么几乎所有的模式识别书都会现讲贝叶斯呢？      上面说是解决模

第三章    最大似然估计和贝叶斯参数估计    第二章的贝叶斯决策论中，在分类之前需要知道一些概率特征，包括类条件概率密度（似然函数）和先验概率。先验概率相对获知是比较容易的，而类条件概率密度就比较困难，原因有两点：           1.训练样本少     2. 特征向量的维数较大，复杂度问题    那如何估计类条件概率密度呢？如果事先知道类条件概率密度的分布，而只是分布的参数不