模式识别是什么？让机器从数据中认出规律和类别

模式识别（Pattern Recognition）是对表征事物或现象的各种形式的信息进行处理和分析，以便对事物或现象进行描述、辨认、分类和解释的过程。这些信息可以是数值的、文字的，也可以是图像、声音等各种形式。通俗地说，模式识别就是让计算机像人一样，从数据中“认出”东西来。

什么是“模式”

“模式”指的是数据中存在的规律、结构或特征。人每天都在进行模式识别：一眼认出熟人的脸，听出朋友的声音，读懂不同人写的手写字，闻出饭菜烧焦的味道。这些对人来说毫不费力的事，要让计算机做到却并不容易。模式识别研究的，就是如何让机器自动地完成这些识别任务。

一个典型的流程

传统的模式识别系统通常包括几个步骤：数据采集，通过摄像头、麦克风、传感器等获取原始数据；预处理，去除噪声、归一化，把数据整理成便于处理的形式；特征提取，从原始数据中提取出能够区分不同类别的关键特征，比如图像的边缘和纹理、声音的频谱特征；分类或决策，根据提取的特征，用分类器判断它属于哪一个类别。

主要方法

统计模式识别：把每个对象表示为一组特征构成的向量，用统计方法进行分类，比如贝叶斯分类器、K 近邻、支持向量机，这是最主流的方法。结构模式识别（句法模式识别）：把复杂的模式分解为简单的基本单元以及它们之间的关系，用类似语法的规则来描述和识别。神经网络方法：用人工神经网络从数据中学习。模式识别还可以分为有监督的分类（已知类别，用带标签的数据训练）和无监督的聚类（事先不知道类别，让算法自己发现数据中的分组）。

与机器学习的关系

模式识别和机器学习关系非常密切，很多方法是共通的，两个领域常常被一起讨论。Christopher Bishop 的经典教材就叫《模式识别与机器学习》。一般认为，模式识别更侧重于“识别”这个应用目标，起源于工程领域；机器学习更侧重于“从数据中学习”的方法本身，起源于计算机科学。深度学习兴起后，特征提取和分类可以由神经网络端到端地自动完成，不再需要人工设计特征，大大推动了模式识别的发展。

应用

模式识别的应用非常广泛：人脸识别、指纹识别、虹膜识别等生物特征识别；语音识别；光学字符识别（OCR），把图片和扫描件中的文字转换成可编辑的文本；医学影像诊断；遥感图像分析；工业产品的缺陷检测；以及金融交易中的异常检测等。