模式识别（10）非监督学习方法

VIP免费

2025-01-13 0 0 2.38MB 63 页 5.9玖币

侵权投诉

模式识别

第九章非监督学习方法

北京航空航天大学计算机学院

监督学习（supervised learning）：用已知类

别的样本训练分类器，以求对训练集数据达

到某种最优，并能推广到对新数据的分类

非监督学习（unsupervised learning）：样本

数据类别未知，需要根据样本间的相似性对

样本集进行分类（聚类，clustering）

引言

监督学习方法必须要有训练集与测试样本。在训

练集中找规律，而对测试样本使用这种规律；而

非监督学习只有一组数据，在该组数据集内寻找

规律。

监督学习方法的目的是识别事物，给待识别数据

加上标注（label），因此训练样本集必须由带

标注的样本组成。而非监督学习方法只有要分析

的数据集本身，没有标注。如果发现数据集呈现

某种聚集性，则可按自然的聚集性分类，但不以

与某种预先的分类标注对上号为目的。

监督与非监督学习方法比较

基于概率密度函数估计的直接方法：设法找

到各类别在特征空间的分布参数再进行分类，

如直方图方法。

基于样本间相似性度量的间接聚类方法：设

法定出不同类别的核心或初始类核，然后依

据样本与这些核心之间的相似性度量将样本

聚集成不同类别。

主要的非监督学习方法

划分整个空间为N个区域，使得每个区域的概率

密度函数是单峰的

例：玉米与杂草

基于概率密度函数估计的直接方法

多维分布

基于相似性度量的间接聚类方法

根据样本间的相似性，使某种准则函数最大（小）

C均值方法（K均值方法），使下述准则最小：

 = =1

∈−

单峰子集的分离方法

思想：把特征空间分为若干个区域，在每个

区域上混合概率密度函数是单峰的，每个单

峰区域对应一个类别。

一维空间中的单峰分离: 对样本集KN={xi}应用

直方图/Parzen窗方法估计概率密度函数，找

到概率密度函数的峰以及峰之间的谷底，以

谷底为阈值对数据进行分割。

 =argmin

=,…, ()

一维空间中的单峰子集分离

灰度图像二值化算法示例

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

5.9 玖币 0人已下载

立即下载 VIP免费下载

摘要：

模式识别第九章非监督学习方法北京航空航天大学计算机学院监督学习（supervisedlearning）：用已知类别的样本训练分类器，以求对训练集数据达到某种最优，并能推广到对新数据的分类非监督学习（unsupervisedlearning）：样本数据类别未知，需要根据样本间的相似性对样本集进行分类（聚类，clustering）引言监督学习方法必须要有训练集与测试样本。在训练集中找规律，而对测试样本使用这种规律；而非监督学习只有一组数据，在该组数据集内寻找规律。监督学习方法的目的是识别事物，给待识别数据加上标注（label），因此训练样本集必须由带标注的样本组成。而非监督学习方法只有要分...

展开>> 收起<<

模式识别（10）非监督学习方法.pdf

共63页,预览13页

还剩页未读，继续阅读

声明：本站为文档C2C交易模式，即用户上传的文档直接被用户下载，本站只是中间服务平台，本站所有文档下载所得的收益归上传人(含作者)所有。玖贝云文库仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对上载内容本身不做任何修改或编辑。若文档所含内容侵犯了您的版权或隐私，请立即通知玖贝云文库，我们立即给予删除！

模式识别（10）非监督学习方法

相关推荐

开通VIP享超值会员特权

作者详情

相关内容

热门标签

举报选择: