模式是这个数字世界中的一切。通过应用算法，可以从物理上观察到模式，也可以从数学上观察到模式。
示例：衣服上的颜色，语音模式等。在计算机科学中，模式是使用矢量特征值表示的。
什么是模式识别?
模式识别是通过使用机器学习算法来识别模式的过程。模式识别可以定义为基于已经获得的知识或基于从模式和/或其表示中提取的统计信息的数据分类。模式识别的重要方面之一是其应用潜力。
例如：语音识别，说话人识别，多媒体文档识别(MDR)，自动医疗诊断。
在典型的模式识别应用程序中，原始数据经过处理并转换为适合机器使用的形式。模式识别涉及模式的分类和聚类。
- 在分类中，基于使用一组训练模式或领域知识生成的抽象，将适当的类别标签分配给模式。分类用于监督学习中。
- 聚类生成了数据的分区，这有助于决策，这是我们感兴趣的特定决策活动。聚类用于无监督学习中。
特征可以表示为连续的，离散的或离散的二进制变量。特征是一个或多个测量值的函数，计算得出的特征值可以量化对象的一些重要特征。
例如：考虑我们的脸，然后眼睛，耳朵，鼻子等就是脸的特征。
集合在一起的一组特征构成了特征向量。
示例：在上面的人脸示例中，如果所有特征(眼睛，耳朵，鼻子等)合在一起，则序列为特征向量([眼睛，耳朵，鼻子])。特征向量是表示为d维列向量的特征序列。在语音的情况下，MFCC(中频倒谱系数)是语音的频谱特征。前13个特征的序列形成一个特征向量。
模式识别具有以下特征：
- 模式识别系统应快速，准确地识别熟悉的模式
- 识别和分类不熟悉的物体
- 从不同角度准确识别形状和物体
- 识别出部分隐藏的图案和对象
- 轻松，自动地快速识别模式。
模式识别方面的培训和学习
学习是一种现象，系统可以通过这种现象对系统进行训练，使其适应于以准确的方式给出结果。学习是最重要的阶段，因为系统对提供给系统的数据的性能如何取决于数据上使用的算法。整个数据集分为两类，一类用于训练模型，即训练集，另一类用于训练后测试模型，即测试集。
训练集用于构建模型。它由用于训练系统的一组图像组成。所使用的训练规则和算法提供了有关如何将输入数据与输出决策关联的相关信息。通过将这些算法应用于数据集对系统进行训练，从数据中提取所有相关信息，并获得结果。通常，将数据集的数据的80％用于训练数据。
测试数据用于测试系统。这是一组数据，用于验证系统是否经过训练后是否产生正确的输出。通常，将数据集的20％的数据用于测试。测试数据用于衡量系统的准确性。示例：识别特定花朵属于哪个类别的系统，能够从十个花朵中正确识别七个花朵类别，而将其他花朵错误地放置，那么准确度为70％
实时示例和解释：
模式是物理对象或抽象概念。在谈论动物的种类时，对动物的描述将是一种模式。在谈论各种类型的球时，对球的描述就是一种模式。在将球视为图案的情况下，类别可以是足球，板球，乒乓球等。给定新的图案后，将确定图案的类别。属性的选择和模式表示形式是模式分类中非常重要的一步。良好的表示是一种利用区分属性并减少模式分类中的计算负担的表示。
模式的一个明显表示就是矢量。向量的每个元素可以代表模式的一个属性。向量的第一个元素将包含所考虑模式的第一个属性的值。
示例：在表示球形物体时，(25，1)可以表示为重量单位为25，直径单位为1的球形物体。类标签可以构成向量的一部分。如果球形物体属于1类，则向量将为(25，1，1)，其中第一个元素代表物体的重量，第二个元素代表物体的直径，第三个元素代表物体的类别。
好处：
- 模式识别解决分类问题
- 模式识别解决了伪造生物特征检测的问题。
- 对于视力障碍盲人的布料图案识别很有用。
- 它有助于说话人的区分。
- 我们可以从不同的角度识别特定的对象。
缺点：
- 句法模式识别方法实现起来很复杂，而且过程很慢。
- 为了获得更好的准确性，有时需要更大的数据集。
- 它无法解释为什么识别特定对象。
例如：我的脸与朋友的脸。
应用范围：
- 图像处理，分割和分析
模式识别用于为图像处理所需的机器提供人类识别智能。 - 计算机视觉
模式识别用于从给定的图像/视频样本中提取有意义的特征，并用于计算机视觉中的各种应用，例如生物和生物医学成像。 - 地震分析
模式识别方法用于地震阵列记录中时间模式的发现，成像和解释。统计模式识别已在不同类型的地震分析模型中实现和使用。 - 雷达信号分类/分析
模式识别和信号处理方法被用于雷达信号分类的各种应用中，例如AP地雷的检测和识别。 - 语音识别
使用模式识别范例已获得语音识别方面的最大成功。它用于各种语音识别算法中，这些算法试图避免使用描述的音素级别的问题，并将较大的单位(例如单词)视为模式 - 指纹识别
指纹识别技术是生物识别市场中的主导技术。已经使用了许多识别方法来执行指纹匹配，其中广泛使用了模式识别方法。