Clasificación: la clasificación tiene como objetivo dividir los elementos en categorías. Tenemos clasificación binaria y clasificación multiclase. Necesitamos los datos de entrenamiento etiquetados correctos para clasificar las nuevas muestras de prueba.
Reconocimiento de patrones: el objetivo del reconocimiento de patrones es la clasificación de datos o estar en patrones más generales en clases o categorías. En el reconocimiento de patrones no es necesario tener una etiqueta de datos de entrenamiento para clasificar.
PR generalmente categorizado de acuerdo con el tipo de procedimiento de aprendizaje utilizado para generar el valor de salida.
- ¿Cuál es un ejemplo de un espacio de Hilbert que no es un espacio de reproducción del núcleo de Hilbert?
- ¿El error de clasificación de las redes neuronales se denomina "tasa de error"?
- ¿Cuál es el estado del arte para SLAM en dispositivos móviles?
- ¿Cuáles son las desventajas de usar el algoritmo clásico de árbol de decisión para grandes conjuntos de datos?
- ¿Por qué es tan difícil automatizar la inferencia variacional?
1. Aprendizaje supervisado (se debe proporcionar un conjunto de datos de entrenamiento etiquetados con la salida correcta) (clasificación)
- Las categorías subyacentes del modelo se conocen perfectamente en términos de función de densidad de probabilidad (pdf) y etiqueta de categorías.
- El modelo es conocido (por ejemplo, supongamos que la densidad normal con la media y la matriz de covarianza), pero no algunos de sus parámetros
- Ni siquiera se conoce el modelo: no existe un conocimiento parametrizado previo sobre la forma de la estructura de probabilidad subyacente y toda la información para la clasificación provendrá solo de las muestras de entrenamiento
Análisis de clasificación: la clasificación pertenece al número conocido de grupos y el objetivo es asignar nuevos puntos de datos a uno de estos grupos
2. Aprendizaje no supervisado (los datos de entrenamiento no están etiquetados, es decir, no son datos de entrenamiento) (Agrupación)
- Ni siquiera se conocen las etiquetas de los patrones de entrada y nuestro clasificador necesita determinar la estructura del clúster
Análisis de conglomerados: el análisis de conglomerados se puede usar para dividir un gran conjunto de datos en grupos, llamados conglomerados, de modo que los puntos de datos en un grupo sean similares entre sí, mientras que aquellos en grupos distintos no son similares a los de los otros grupos
PR no significa que tenga que clasificarlo finalmente en una clase determinada. La agrupación es uno de esos ejemplos típicos. Tenga en cuenta que hay 100 muestras y realiza agrupaciones en ellas, es decir, simplemente forma grupos de objetos similares en función de alguna medida de similitud. Esta es una forma de reconocimiento de patrones.
Clasificación de patrones: por ejemplo, digamos que se obtienen nuevos datos de prueba y el patrón de los datos de prueba se identifica con un grupo de ciertas muestras de entrenamiento o un grupo de muestras similares. A partir de entonces, en el momento en que la nueva muestra de prueba tenga asignada una etiqueta de clase, se llamará Clasificación de patrón.
Referencias
- Reconocimiento de patrones
- Reconocimiento de patrones Clasificación de agrupamiento