컴퓨터를 이용하여 사람의 패턴 인식 능력을 구현하는 것은 컴퓨터를 이용하여 다양한 사물이나 현상에 대한 사람의 분석, 기술, 판단, 식별 등을 실현하고 인식할 사물을 다양한 패턴 범주에 배정하는 기술이다.

패턴 인식은 패턴에서 카테고리로의 매핑으로 볼 수 있습니다.

물질이나 현상에 관한 정보

넓은 의미에서 시간과 공간 속에 존재하는 관찰 가능한 사물이 동일하거나 유사한 것으로 구별할 수 있다면 패턴이라 할 수 있다.

패턴은 정보 수집을 통해 형성된 객체에 대한 설명이며, 이 설명은 표준화되고 이해 가능하며 식별 가능해야 합니다.

설명하다

특정한 개별 사물을 관찰하여 얻은 시간적, 공간적 분포를 갖는 정보(샘플 또는 샘플 벡터라고 함)

패턴이 속한 카테고리 또는 동일한 카테고리에 속한 패턴의 모집단(줄여서 카테고리)

패턴이 속한 카테고리 또는 동일한 카테고리에 속한 패턴의 모집단(줄여서 카테고리)

디자인(훈련, 학습)

실현(의사결정, 분류, 판단)

데이터 수집(데이터 수집)

전처리

특징 추출 및 선택

분류 결정 또는 모델 일치

이 시스템 구조는 인공 신경망의 통계적 패턴 인식, 퍼지 패턴 인식 및 지도 방법에 적합합니다.

구조적 패턴 인식 방법의 경우 특징 추출 및 선택을 대체하기 위해 기본 추출만 사용됩니다.

군집분석을 위해서는 분류기 설계와 의사결정이 하나의 단계로 통합됩니다.

색상

조직

모양

공간 관계

패턴 컬렉션

특징 추출 및 특징 선택

유형 차별

성과평가

계산 복잡성

분류기준

n차원 열 벡터

x= (x1, x2, …, xn)티

임계점(샘플)

확고한 세트

유사성

데이터 표준화

불완전한

시끄러운

일관되지 않은 데이터 유형

정확성: 올바른지, 정확한지, 아닌지 등.

완전성: 데이터가 누락되었거나 얻을 수 없는 경우

일관성: 일부 데이터는 수정되었지만 다른 데이터는 수정되지 않은 경우

신뢰성: 데이터가 정확하다는 신뢰도를 나타냅니다.

데이터 정리

데이터 통합

데이터 변환 및 이산화

데이터 감소

특징 추출 및 특징 선택

이유

다루다

이유

다루다

❑ 여러 데이터 소스의 데이터를 일관된 저장소로 통합합니다.

❑ 다양한 데이터 소스의 메타데이터 통합

◼ 예: A.cust_id = B.customer_no

❑ 다양한 데이터 소스의 실제 엔터티 일치

◼ 예: 빌 클린턴 = 윌리엄 클린턴

❑ 현실 세계의 동일한 개체에 대해 서로 다른 데이터 소스의 속성 값이 다를 수 있습니다.

❑ 가능한 이유: 다양한 데이터 표현, 다양한 측정 등

◆대규모 데이터베이스 콘텐츠의 복잡한 데이터 분석은 종종 많은 시간이 소요되어 원본 데이터 분석을 비현실적이고 실행 불가능하게 만듭니다.

◆데이터 축소: 데이터 축소 또는 축소란 최종 마이닝 결과에 영향을 주지 않고 마이닝된 데이터의 크기를 줄이는 것입니다.

◆데이터 축소 기술을 사용하면 데이터 세트의 축소된 표현을 얻을 수 있습니다. 이는 훨씬 작지만 여전히 원본 데이터의 무결성을 유지하는 데 가깝습니다.

◆축소된 데이터 세트를 마이닝하면 마이닝의 효율성을 높이고 동일한(또는 거의 동일한) 결과를 얻을 수 있습니다.

◆데이터 축소에 소요되는 시간은 축소된 데이터 세트를 마이닝하는 데 절약된 시간을 초과하거나 "상쇄"해서는 안 됩니다.

◆축소를 통해 얻은 데이터는 원본 데이터에 비해 훨씬 작지만 동일하거나 거의 동일한 분석 결과를 얻을 수 있습니다.

◆데이터 큐브 집계;

◆차원 축소(속성 축소);

◆데이터 압축;

◆수치적 감소;

◆개념의 분리 및 계층적 생성.

특정 유사성 척도를 기반으로 분류된 각 모델을 분류합니다.

유사한 항목을 하나의 카테고리로 그룹화

유사성 임계값과 최소 거리 원리를 기반으로 한 간단한 클러스터링 방법

최소거리 원리에 따라 두 개의 카테고리를 연속적으로 병합하는 방법

기준함수 기반의 동적 클러스터링 방법

클러스터 분석은 다른 알고리즘의 전처리 단계로 사용될 수 있습니다.

데이터 분포를 얻기 위한 독립적인 도구로 사용할 수 있습니다.

클러스터 분석은 고립된 지점 마이닝을 완료할 수 있습니다.

거리 유형

알고리즘 유형

데이터 개체의 클러스터링된 트리를 만듭니다. 계층적 분해가 상향식인지 하향식인지에 따라 다시 응집형 계층적 군집화와 분할형 계층적 군집화로 나눌 수 있다.

각 클러스터가 일반적으로 개체 집합인 두 클러스터 사이의 거리를 측정하는 방법입니다.

거리 유형(클러스터 간 거리 측정 방법)

알고리즘 유형

특정 영역의 포인트 밀도가 특정 임계값보다 크면 유사한 클러스터에 추가됩니다.

DBSCAN

광학

덴클루

지형지물 속성이 여러 개인 경우

의미

단순화

결정 테이블

계산방법

포인트의 분류 결정

훈련 데이터 세트에서 새로운 인스턴스에 가장 가까운 k개의 훈련 인스턴스를 찾은 다음, 최근 k개의 훈련 인스턴스 중에서 클래스 수가 가장 많은 클래스, 즉 새 인스턴스의 클래스를 계산합니다.

훈련 샘플의 각 샘플 포인트와 테스트 샘플 사이의 거리를 계산합니다(일반적인 거리 측정에는 유클리드 거리, 마할라노비스 거리 등이 포함됩니다).

위의 모든 거리 값을 정렬

거리가 가장 작은 처음 k개 샘플을 선택합니다.

최종 분류 카테고리를 얻으려면 이 k개 샘플의 라벨을 기반으로 투표하세요.

k 값이 작을수록 모델이 복잡해지고 과적합되기 쉽습니다. 그러나 k 값이 클수록 모델이 단순해진다는 것은 어떤 지점이든 클래스라는 의미입니다. 훈련 세트에서 가장 많은 범주를 가지고 있습니다. 따라서 k는 일반적으로 더 작은 값을 취하고 교차 검증을 사용하여 다음을 결정합니다. 여기서 소위 교차 검증이란 샘플의 일부를 95% 훈련과 5% 예측과 같은 예측 샘플로 나눈 다음 k가 각각 1, 2, 3, 4, 5 등을 사용하여 예측하고 최종 분류 오류를 계산합니다. 오류가 가장 작은 k를 선택합니다.

목적은 일련의 포인트 세트를 k개의 카테고리로 나누는 것입니다.

K-Means는 클러스터링 알고리즘입니다.

비지도 학습, 유사한 데이터를 그룹화하여 분류 획득, 외부 분류 없음

훈련 데이터 세트에는 레이블이 없으며 클러스터링 후에는 다소 순서가 정돈되어 있습니다.

목적은 포인트의 분류를 결정하는 것입니다.

KNN은 분류 알고리즘입니다.

지도 학습, 분류 대상을 미리 알고 있음

훈련 데이터 세트에는 레이블이 있으며 이미 완전히 올바른 데이터입니다.

품목: 예를 들어 콜라, 감자칩, 빵, 맥주, 기저귀 등은 모두 품목이라고 합니다.

I={i1, i2,…,im}을 모든 항목(Item)의 집합이라고 합니다.

거래 T는 구매 기록이고, 각 거래 T에는 Tid로 기록되는 고유 식별자가 있습니다.

D는 모든 트랜잭션의 집합입니다.

Itemset은 우리가 연구하고 싶은 집합입니다.

A와 B 모두 비어 있지 않고 A⸦I, B⸦I 및 (A와 B가 비어 있음) 형식 A->B의 논리적 의미입니다.

모든 거래 D에서 항목 집합 A와 B가 동시에 나타날 확률을 설명합니다.

S(A->B)=P(AB)=|AB|/|D|

지원은 연관 규칙의 중요성을 나타내는 척도입니다.

아이템세트 A가 등장하는 사물 T에서 아이템세트 B도 동시에 등장할 확률.

C(A->B)=P(B|A)=|AB|/|A|

신뢰도는 연관 규칙의 정확성을 나타내는 척도입니다.

D가 I에 대한 최소 지지도와 최소 신뢰도를 충족하는 연관 규칙을 강력한 연관 규칙이라고 합니다.

리프트 정도는 항목 세트 A의 모양이 항목 세트 B의 모양에 얼마나 많은 영향을 미치는지 나타냅니다.

L(A->B)=P(AB)/(P(A)*P(B))

최소지지도를 만족하는 항목 집합을 빈발 항목 집합이라고 합니다. 빈번한 k-항목 집합의 집합은 일반적으로 Lk로 표시됩니다.

사용자의 최소 지원을 고려하여 모든 빈발항목집합 또는 가장 큰 빈발항목집합을 찾습니다.

사용자에게 최소한의 신뢰도를 부여하여 빈발항목 집합에서 연관규칙을 찾는다.

첫 번째 단계는 반복을 통해 트랜잭션 데이터베이스의 모든 빈발 항목 집합, 즉 지원도가 사용자가 설정한 임계값보다 낮지 않은 항목 집합을 검색하는 것입니다.

두 번째 단계에서는 빈번한 항목 집합을 사용하여 사용자의 최소 신뢰 수준을 충족하는 규칙을 구성합니다.