Reconhecimento de Padrões

Reconhecer um padrão é atribuir um vetor de características x = (x₁, …, xₙ) a uma classe ω. Cada coordenada descreve a região recortada — área, perímetro, intensidade média, alongamento — e o classificador devolve um rótulo em todo o espaço de características.

Bayes, distância mínima e k-NN deste tópico — e os classificadores supervisionados em aprendizado de máquina — partem desse vetor e da regra x ↦ ω.

A página cobre três blocos. O primeiro escolhe a classe de maior probabilidade a posteriori: compara os produtos p(x|ω)P(ω), porque p(x) é o mesmo nos dois; a fronteira é o lugar em que os produtos empatam.

O segundo guarda um protótipo μ por classe, em geral a média do treino, e atribui x à menor ‖x−μ‖. Em uma dimensão, com duas médias, a fronteira cai no ponto médio t = (μ₁+μ₂)/2.

O terceiro guarda o conjunto de treino. Para um x novo, ficam-se os k vizinhos mais próximos e vota-se a classe majoritária; a fronteira é o lugar em que o voto empata.

Maximizar p(x|ω)P(ω) está em Classificadores Estatísticos. A distância mínima coincide com Bayes quando as P(ω) são iguais e as classes são gaussianas de mesma variância.

A fronteira no ponto médio, que usa só as duas médias, está em Classificadores Estatísticos. Se o afastamento intra-classe passa da metade da distância entre as médias, essa marca erra o treino.

Votar os k vizinhos, com k ímpar para duas classes, está em Classificadores Estatísticos. Distância mínima guarda só as médias; k-NN guarda os exemplos.

O limiar do histograma age nos pixels da cena. Rotular o vetor já extraído está em Classificadores Estatísticos.