Este documento trata sobre el reconocimiento de patrones y la clasificación de patrones. Explica que el reconocimiento de patrones implica construir máquinas para realizar tareas de percepción como reconocer rostros o identificar especies de flores. Luego describe la clasificación de patrones como la asignación de objetos a categorías previamente especificadas, dando el ejemplo de clasificar diferentes tipos de madera. Finalmente, explica cómo un sistema de clasificación de patrones extrae características de los datos de entrenamiento para clasificar nuevas entradas.
2. Introducción reconocimiento de patrones
El reconocimiento de patrones es la disciplina de construir máquinas para realizar
tareas de percepción en las que los humanos somos particularmente buenos. p.ej.
reconocer rostros, voz, identificar especies de flores, detectar una tormenta que se
acerca ...
Hay necesidades prácticas para encontrar formas más eficientes de hacer las cosas.
p.ej. leer símbolos escritos a mano, diagnosticar enfermedades, identificar misiles
entrantes desde señales de radar o sonar. Las máquinas pueden realizar estas tareas
de manera más rápida, precisa y económica.
El objetivo de reconocimiento de patrones es aclarar mecanismos complicados de
los procesos de toma de decisiones y automatizar estas funciones usandolas
computadoras.
3. Clasificación de patrones
Aunque los humanos pueden realizar algunas de las tareas de percepción con
facilidad, no hay suficiente comprensión para duplicar el rendimiento con una
computadora.
Debido a la naturaleza compleja de los problemas, muchas investigaciones de
reconocimiento de patrones se han ocupado de problemas más moderados de
clasificación de patrones: la asignación de un objeto físico o evento a una de
varias categorías previamente especificadas.
Ejemplo: un aserradero que produce una variedad de maderas duras quiere
automatizar el proceso de clasificación de la madera terminada de acuerdo con
las especies de árboles.
4. La detección óptica se utiliza para distinguir la madera de abedul de la madera de fresno.
Una cámara toma imágenes de la madera y pasa a un extractor de funciones.
Sistema de clasificación de patrones
El extractor de características reduce los datos al medir ciertas "propiedades" que distinguen
las imágenes de madera de abedul de las imágenes de madera de fresno.
Estas características se pasan a un clasificador que evalúa la evidencia presentada y toma
una decisión final sobre el tipo de madera que se trata.
Cuadro
de
madera
transductor
Extractor de
características
Clasificador Decisión
5. Suponga que alguien en el aserradero dice que la madera de abedul a menudo es de
color más claro que la madera de fresno. Entonces el brillo se convierte en una
característica obvia. Podríamos intentar clasificar la madera simplemente viendo si
el brillo promedio x excede o no algún valor crítico.
Una característica del reconocimiento de patrones humanos es que involucra a un
maestro. Del mismo modo, un sistema de reconocimiento de patrones en
computación necesita entrenamiento. Un modo común de aprendizaje es recibir
una colección de ejemplos etiquetados, conocidos como conjunto de datos de
entrenamiento. Del conjunto de datos de entrenamiento, la información de la
estructura se limpia y se usa para clasificar las nuevas entradas.
En este caso, se obtiene muestras de diferentes tipos de madera, se hacen
mediciones de brillo y se inspeccionan los resultados. Suponga que se obtiene el
siguiente histograma basado en estas muestras de datos.
6. El histograma confirma la afirmación de que la madera de abedul suele ser
más brillante que la madera de fresno, pero está claro que este criterio único
no es infalible. No importa cómo elijamos x0, no se puede separar de manera
confiable la madera de abedul de la madera de fresno solo por el brillo.
La segunda característica se basa en la observación de que la madera de
fresno generalmente tiene un patrón de grano más prominente que la
madera de abedul. Es razonable suponer que se puede obtener una medida
de esta característica a partir de la magnitud y frecuencia de ocurrencia de
transiciones de claro a oscuro en la imagen.