패턴인식보다 큰 범주가 인공지능이라고 보면 된다
인지과학 > 인공지능 > 패턴인식
특징과 패턴
- 객체가 가지는 고유릐 분별 가능한 측면, 질 혹은 특성
특징: 어떤 사물이나 현상을 정량적으로 표현할 수 있는 것- 처리할 수 있는 데이터 현태로 저장되고 표현되는 것이 특징
패턴: 그러한 특징들이 모여있을 때 보이는 추세
좋은 특징을 쓰면 서로 다른 클래스들끼리 잘 분리가 가능나쁜 특징은 서로 다른 클래스임에도 겹쳐져있는거
패턴인식 과정에서 가장 중요한 문제는 분류
높은 상관성이란 가로방향으로 특징값이 증가하면 세로방향의 값도 증가하는 것을 의미- 히스토그램이 두 개의 분포를 가질 때
Multimodal또는Bimodal형태의 분포라 했는데 그 때 그 멀티모달임.
패턴 인식 시스템의 구성요소와 사이클
실세계 → 측정장치(카메라) → 전처리(다양한 영상처리, 좋은특징을 뽑아내는 과정) → 차원 축소(사용한 특징의 차원이 너무 고차원일 때, PCA나 LDA같은 방법을 통해 좋은 성분만 선택) → 인식, 예측(이 과정에 따라 성능이 좌우됨) → 모델 선택 → 분석결과
간단하게,
데이터 수집 → 특징 선택 → 모델선택 → 학습 → 인식
학습이란 주어진 데이터를 기반으로 기계를 학습시키는 것
패턴인식의 유형과 분류기 (문제와 유형)
- 분류(Binary Classification 둘 중에 뭐냐)
- 회귀(입력 값이 주어지면 출력값을 알려주는 것)
- 군집화(군집화는 덩어리 identity를 부여하는 방법)
- 서술(영상을 인식)
- 분류기왼쪽은 선형으로 나눈거 오른쪽은 비선형으로d개의 입력이 주어졌을 때 입력들의 다음 노드에 배치를 시켜서 다 연결을 시켜서 이 입력들이 어떤 식으로 결과값을 내는지에 따라 이 입력은 어떤 클래스에 해당이 되는지 할당해주는 것임.
- →일반적으로 신경망이라는게 이런 구조를 가지고 있음
패턴인식 알고리즘의 성능 평가
- 혼동행렬 :
성능을 평가할때 많이 사용Actual Positive Actual Negative Predicted Positive TP FP Predicted Negative FN TN 
- Binary Classification(이진분류) 을 할 때는 항상 이렇게 네 가지 종류의 Rate(정확도 또는 에러)가 존재
- 시스템 성능을 평가할때 사용하는 두 가지 지표가 있음
- Recall Rate(취소율)
- 정밀도(Positive 중에 진짜 True Positive인 애만)
- Recall Rate(취소율)
- ROC 곡선
- 점수 = Feature
- Roc : 임계값을 바꿔가면서 TP와 TN값을 점으로 찍어내면 커브형태가 되는데 그때 나오는 곡선
-
- FAR = False Positive = False Acceptance
- TAR = False Negative - 1
-
- 이 ROC 곡선을 적분을 하면 나오는 넓이(AURO)가 바로 시스템의 성능
- 좌측 상단으로 커브가 가까울수록 시스템의 성능이 좋다는 것
AURO가 크면 클수록, 시스템의 성능이 더 좋다는 것을 나타냄
- → 그래서 두 개의 분포가 전혀 겹치지 않으면 ROC 커브가 정의가 되지 않음 그냥 좌측상단에 하나의 점으로 정의 됨.
