- 发帖可能变空内容，邪门暂不知所以然
- 『稷下学宫』新认证方式，24年网站打算和努力目标
主题：【原创】抛砖！模式识别和机器学习、数据挖掘的区别与联系 -- 永远的幻想
多谢回复这么长的帖子。。
先简短回一个，写多了资本家不乐意。：）
这么说吧，比如我给你一图片（X), 让您的视觉系统=M,你对我说,
"我predict这是一桌子（Y）." 这像话吗？
对人这个M来说，桌子就是桌子，是个识别问题，说成prediction
大概现在PR在识别方面还是不成熟，做不到~100%识别。所以要说用M-pr来预测，图X,大概有85%是桌子，12%是椅子，3% 其它。
你说的X, Y 都是输入，这个从trainning的操作上可以说没错，但是从PR概念上这样很容易混淆。尤其如果是对不太了解的人写的介绍性文字，尽量概念清楚些，你的读者看着也明白些，right?
首先，“输出数据”是不是“模式表达”？比如典型的分类问题：用N个样本（N个样本*p维Predictor 一个矩阵X，加N*1的-1/+1类标记y_target）训练了一个SVM、CART，Adaboost或者RandomForest模型或者模型族，称为M。这些模型M如你所说，是“模式表达”。对于数据挖掘问题，确实可以说这个是“输出数据”。
这些M们还真是第一次见。。我说的模式表达就是Y.
“别”倒底是不是“非预测”呢？这个我觉得我已经说清楚了啊，看来还得再说说
别=difference. 了别可以说是classification..
确实怪我说得不清楚。其实文中不想以Super/Unsuper来区分算法，除了这个原因，还有一个原因。
因为实际使用这些算法时，经常把这两种混起来用。比如可以先用PCA，对N*p维的X降维成N*q (q<p)，作为预处理，然后把N*q作为X和y_target输入到SVM之类的算法去；也可以用y_target(比如K个类)把X分成K组，然后每组训练一个GMM。
这样在应用者的角度看，其实是不去管算法是Super还是Unsuper的，或者在这上面走脑子意思不大，知道每种算法擅长干什么才是正经。
S or U-S,有个外界knoeledge 介入的问题。从理论研究上来说，比如同样两个人脸识别的系统,一个是S, 一个是 U-S。都能达到比较高的识别率。那么U-S的价值要高。为什么？因为这个U-S很可能是个普适的系统。
从这个角度来说，所有S,U-S混合的系统，都不能称为是 un-supervised 系统,而变成S了。
工科思维确实很偏重实用，不过我想概念清楚还是重要。所以和你探讨一下
- 相关回复 上下关系8
压缩 2 层
🙂唯了别识。把识别一定要说成预测，这个很别扭啊 mitwisdom 字0 2010-07-21 18:23:20
🙂一点建议 1 mitwisdom 字378 2010-07-21 10:51:02
🙂关于Prediction和Classification 3 永远的幻想 字3159 2010-07-21 17:52:02
🙂继续探讨
🙂精彩！得宝吱一声。 archerh 字0 2010-07-20 16:30:30
🙂讲得好，赞一个！ 晨枫 字179 2010-07-20 14:01:53
🙂能介绍几本书么？ 我是一只小小号 字30 2010-07-20 13:40:14
🙂外行说两句 erha 字77 2010-07-19 13:56:55