(請注意：中文版本並未隨英文版本同步更新！)
Slides
所謂分類器的「效能評估」（performance evaluation），是指我們在設計一個分類器之後，如何以一個有效的方式來預估此分類器的能力，通常可以分為兩部分來評估：
- 運算量：越小越好，此部分又包含
- 設計時的運算量
- 辨識時的運算量
- 辨識率：越高越好。「辨識率」（recognition rate）是指的是發生分類錯誤的機率，與辨識率相對的另一個名詞是「錯誤率」（error rate），指的是正確分類的機率，兩者總和應該等於100%。
不同的分類器，會有不同的運算量，本章將重點放在辨識率的估測，而不討論運算量。
由於在現實世界中，所有的樣本資料（sample data）都是有限的，資料的收集過程本身就要耗費時間與人力，因此樣本資料也就益形珍貴。樣本資料越多，我們設計出來的分類器也會越精準，但是為了測試所設計出來的分類器的效能，所以在進行樣式辨識系統的設計流程中，我們會將所有的樣本資料切成兩部分：
- 訓練資料（training data）：又稱為「設計資料」（design data），我們用此資料來設計分類器。
- 測試資料（test data）：我們用此資料來測試分類器的效能。
Data Clustering and Pattern Recognition (資料分群與樣式辨認)
