参考：https://www.zhihu.com/question/38106452/answer/211218782
参考：
不同的人有不同的见解，只需要注意一点，即侧重点是不同的。
模式识别：例如文字识别，图像识别，语音识别；
数据挖掘：数据，例如图片，语音，数字数据，等等进行分类或者回归，得出规律的东西；
机器学习：就是上面的方法要用到机器学习，什么深度学习，svm，bp，等等
参考：
模式：模式就是样品所具有的特征的描述。
模式识别:是一个过程。外部信息到达传感器，并传递到有意义的传感结果
(1) A sensor 感知器（信息获取）
(2) A preprocessing mechanism 预处理机制
(3) A feature extraction mechanism (manual or automated) 特征提取机制
(4) A classification algorithm 分类算法
(5) A set of examples (training set) already classification 训练集或称样本数据
参考教材：Pattern Classification
（5.1）要求识别传送带上的鲑鱼和鲈鱼，且准确率要达到95%以上。
（5.2）Sensor
当一条新鱼进入分拣区域时(在皮带上)，摄像机捕捉到图像。
（5.3）Preprocessing
摄像机的调整:能将传送带上的鱼拍清楚，需要调整相机的拍照频率和传送带速度相平衡
消除噪音：即比如要去除鱼身上的海草再放上传送带
要将相片上的鱼和背景分离，能将鱼和鱼分离
（5.4）Feature Extraction
一般我们认为鲈鱼要比鲑鱼大，于是我们尝试用length作为特征属性，分辨鲈鱼和鲑鱼
（5.5）Feature Extraction
从两个物种中收集一组例子
绘制两个类的长度分布
确定一个最小化分类错误的决策边界(阈值)
我们估计系统出错的概率，如果使用thereshold 11，会得到40%的令人沮丧的结果(非常糟糕!)
显然要达到95%的准确率，只从length一个特征远远不能准确识别鱼类，因此可以考虑如下几个方面：宽度，眼睛的位置，嘴巴的位置等等。最后经过实验，找到一个不错的特征：亮度（lightness）
但是依然达不到95%的准确率；
我们将width和lightness结合，来进行分类
需要注意的一个问题：鲑鱼的市场价格高于鲈鱼，我们的分类并不是100%有效，因此为了不让买鱼的客户吃亏，应该尽可能让出错的情
况是鲑鱼分到了鲈鱼的那一堆中。即以上图的直线为标准，那么只能把直线往左移作为判断方程。
我们的线性分类器识别率(95.7%)达到了设计要求，但我们认为系统的性能还有待进一步提高。
然后设计了5个隐含层的人工神经网络;
logistic和双曲正切激活函数的组合;
用Levenberg-Marquardt算法对其进行训练并在有决策边界的情况下，获得99.9975%的令人印象深刻的分类率。
这样虽然达到了非常高的准确率，但是这只针对于这些样本而言，并不能推广到所有打捞上来的鲑鱼和鲈鱼的分类问题上。这也称为过拟
合。训练样本过拟合，泛化效果不佳!!
最后经过trade-off（平衡）找到一条比线性方程更好的分类曲线方程。结果准确率大于95%小于99%
6、Example 2 Deal with missing data 处理缺失数据
