監督學習

　　利用一組已知類別的樣本調整分類器的參數，使其達到所要求性能的過程，也稱為監督訓練或有教師學習。正如人們通過已知病例學習診斷技術那樣，電腦要通過學習才能具有識別各種事物和現象的能力。用來進行學習的材料就是與被識別物件屬於同類的有限數量樣本。監督學習中在給予電腦學習樣本的同時，還告訴計算各個樣本所屬的類別。若所給的學習樣本不帶有類別資訊,就是無監督學習。任何一種學習都有一定的目的,對於模式識別來說，就是要通過有限數量樣本的學習，使分類器在對無限多個模式進行行分類時所產生的錯誤概率最小。

　　不同設計方法的分類器有不同的學習算法。對於貝葉斯分類器來說，就是用學習樣本估計特征向量的類條件概率密度函數。在已知類條件概率密度函數形式的條件下，用給定的獨立和隨機獲取的樣本集，根據最大似然法或貝葉斯學習估計出類條件概率密度函數的參數。例如，假定模式的特征向量服從正態分佈，樣本的平均特征向量和樣本協方差矩陣就是正態分佈的均值向量和協方差矩陣的最大似然估計。在類條件概率密度函數的形式未知的情況下，有各種非參數方法，用學習樣本對類條件概率密度函數進行估計。在分類決策規則用判別函數表示的一般情況下,可以確定一個學習目標,例如使分類器對所給樣本進行分類的結果盡可能與“教師”所給的類別一致，然後用迭代優化算法求取判別函數中的參數值。

　　在無監督學習的情況下，用全部學習樣本可以估計混合概率密度函數，若認為每一模式類的概率密度函數隻有一個極大值，則可以根據混合概率密度函數的形狀求出用來把各類分開的分界面。