为什么模式识别？
便于面对成千上万的数据进行分类。
输入为实验测得的数据i，输出为想进行分类的种类，用0、1来表示。若不止两类，用多个0与一个1表示。如四个0001、0010、0100、1000.

模式识别评判参数一般用两个：
Plot confusion matrix
Plot ROC(receive operating characteristics)

以Training confusion matrix为例。

M（1，1），对应内含[1000，17.1%]数字。表示，有1000个输出为1类中，被正确反应了是1类。
M（1，2），表示：在253个输出为1类中，却实际上是属于第2类。
M（1，3），对应内含[79.8%，20.2%]。表示，在输出的1中，有79.8%被正确反应了。
M（3，1），对应内含[69.5%，30.5%]。表示，实际中属于第1类的个数中，有69.5%的个体被正确认别。
M（3，2），表示，实际中属于第2类的个数中，有94.3%的个体被正确认别。
M（3，3），表示，总体上看，有88.2%的分类个体被训练的模型正确认别或分类。

其中M(3，1)=M(1,1)/[M(1,1)+M(2,1)] 表示Sensitivity（灵敏性），
其中M(3，2)=M(1,2)/[M(1,1)+M(2,2)] 表示Specificity（专一性），
即覆盖率（根据自己需求选择M(3，1),M(3，2)）
其中M(1，3)=M(1,1)/[M(1,1)+M(1,2)] 表示positive predictive value ，
其中M(2，3)=M(2,1)/[M(2,1)+M(2,2)] 表示Negative predictive value，
即命中率（根据自己需求选择M(1，3),M(2，3)）
可以看这篇博文帮助理解：http://blog.csdn.net/u010159842/article/details/53083382

几组相对应的概念：
1. sensitivity vs. specificity
2. recall vs. precision
3. accuracy vs. error rate
4. type I error vs. type II error
5. 针对precision和recall有F1指标，用于实现两者之间的tradeoff。

另一个判断标准为ROC

横轴为错误决定，纵轴为正确决定。越靠近左上方（0，1）越好

顺便补充一下模式识别和模式分类的区别：
模式识别：想象下公园的草地上一个女孩和两只狗玩。，输出那个位置，什么物种。
模式分类：输入一张照片，输出是不是人，是不是狗。