东南大学计算机科学与工程学院-PALM.PPT

训练集 vs. 测试集 习题 vs. 考试 * * * H_0:原假设 H_1:备择假设 * 后处理将分类结果转化为具体决策和行动 * 特征：x_1,x_2 模型：ax_1+bx_2+c0 训练：根据训练集，确定a,b,c Startreck * 学习是指用某种算法来降低训练样本的分类误差。如梯度下降法等。 广泛的应用 人脑证明可行 很多待解决的问题 一个详细的例子 那个判决曲线更好？ 东南大学计算机科学与工程学院 泛化能力 “推广能力”/“泛化能力”（Generalization） 设计分类器的中心目标是能够对新样本做出正确的反应，而不是对训练样本的完美分类。 分类模型对训练样本的过分匹配是一种应当努力避免的现象：过配（Overfitting） 避免过配的方法 避免过于复杂的决策面 两难 复杂的决策面？ 简单的决策面？ 东南大学计算机科学与工程学院 根据具体应用设计专门的分类器 相关领域 假设检验（Hypothesis testing） H0 vs. H1 图像处理（Image processing） 图像 图像 回归（Regression） 为输入数据找到合适的函数表示 插值（Interpolation） 已知一定范围内的输入数据对应的函数值，求输入点之间的数据点对应的函数值 概率密度估计（Density estimation） 估计产生给定样本集的概率密度