MMD的快速计算方法

最新推荐文章于 2024-05-24 10:30:24 发布

DeniuHe

最新推荐文章于 2024-05-24 10:30:24 发布

阅读量538

点赞数

文章标签： python 机器学习人工智能

本文链接：https://blog.csdn.net/DeniuHe/article/details/130292272

版权

这段代码使用RBF核函数计算有标签数据(self.labeled)和随机未标签数据(rand_unlabeled)之间的MMD。首先，它构造了UL_matrix和UU_matrix，分别表示两类数据之间的相似度矩阵。然后，计算每行的和并应用公式来得到MMD值，这有助于理解两类数据在特征空间中的分布差异。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

self._K = rbf_kernel(X=self.X, gamma=0.1)

L_len = len(self.labeled)
            U_len = len(rand_unlabeled)
            UL_matrix = self._K[np.ix_(rand_unlabeled, self.labeled)]
            UL_matrix_sum = (np.sum(UL_matrix, axis=1)+1)* (U_len-1)/(U_len + L_len)
            UU_matrix = self._K[np.ix_(rand_unlabeled, rand_unlabeled)]
            UU_matrix_sum = (np.sum(UU_matrix, axis=1)-1)* (L_len-1)/(U_len + L_len)

            MMD = np.abs(UL_matrix_sum - UU_matrix_sum)

或者

            L_len = len(self.labeled)
            U_len = len(self.unlabeled)
            UL_matrix = self._K[np.ix_(self.unlabeled, self.labeled)]
            UL_matrix_sum = (np.sum(UL_matrix, axis=1)+1)* (U_len-1)/(U_len + L_len)
            UU_matrix = self._K[np.ix_(self.unlabeled, self.unlabeled)]
            UU_matrix_sum = (np.sum(UU_matrix, axis=1)-1)* (L_len-1)/(U_len + L_len)