模式识别考点总结（第1-6个ppt）

我们不生产知识点，我们只是知识点的搬运工。

以下，全部来自老师最后一节课划重点时停留的当页ppt（复习到了但没考不要怪我，学了总有用；考了没复习到不要怪我，本文仅供参考）。

① 第一章 模式识别绪论

• 模式识别系统组成

• 设计系统时根据临界点进行考察，临界点多则不可分

• 模式识别系统设计过程

② 第二章 贝叶斯决策理论

• 基于最小错误率的贝叶斯决策

用哪个都行，会出计算

• 基于最小风险的贝叶斯决策

也可能出计算

• 0-1风险时，最小错误率与最小风险等价

会出证明。

• 贝叶斯分类器的决策面方程

也就是53、54页的两个例题看一下吧。

③ 第三章 概率密度函数估计

• 参数估计的分类

没错，参数估计里有一类叫非参数估计。

• 似然函数

• 最大似然估计的概念

不知道咋考，看一下稍微理解一下吧，在15页，之前几页也看看

• 梯度法不能使用最大似然估计

没太看懂，他大概想求两个参数θ取什么值能l最大吧，也就是分别求偏导想让偏导为零，但取不到零所以没法用最大似然估计。

• 非参数估计要满足的条件

• Parzen窗法，当样本n趋近无穷时，概率密度估计结果与窗的宽度h无关。

④ 第四章 线性判别函数（I）

• w与决策面H上任意向量正交

应该会出题

• g(x)正比于任一向量x到超平面H的代数距离r

  

会出证明

• 线性分类器设计步骤

• 增广样本向量

• 决策树实际上是一个多层分类器

⑤ 第四章 线性判别函数（II）

• 分段线性分类器的判别函数g(x)是什么

• 局部训练法的方法步骤

⑥ 第五章 特征的选取与提取

• 特征形成、特征选择、特征提取

别问是啥，问就是背。

• 可分性准则函数与错误率

• 基于概率分布的可分性判据

• 熵的大小与可不可分

• 几种非最优搜索法

• 特征选择的两种新方法

遗传算法的特殊之处在于：具有交叉运算。

• 物理退火的三个过程

• 基本遗传算法的组成

• 交叉

• 变异

  

剩余部分请在下一篇文章中查看。