计算样本距离常见的集中度量方法

最新推荐文章于 2024-04-02 22:36:40 发布
最新推荐文章于 2024-04-02 22:36:40 发布
阅读量597 收藏 11
点赞数 9
分类专栏： 数据结构与算法 文章标签： ai 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/galoiszhou/article/details/135130388
版权
本文介绍了几种常见的距离度量方法，包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、余弦相似度、汉明距离和Jaccard相似度，强调了根据数据类型和任务需求选择合适度量的重要性。
摘要由CSDN通过智能技术生成

当计算两个样本之间的距离时，我们可以使用不同的距离度量方法，具体的选择通常取决于数据的性质以及任务的要求。以下是一些常见的距离度量方法：

  1. 欧氏距离（Euclidean Distance）

欧氏距离是最常见的距离度量方法，适用于连续型数据。对于样本向量 x 和 y，欧氏距离的计算公式为： d(x,y)=∑i=1n(xi−yi)2d(x,y)=∑i=1n​(xi​−yi​)2​

  1. 曼哈顿距离（Manhattan Distance）

曼哈顿距离是两点之间沿坐标轴的绝对距离之和，适用于城市街区的距离计算。对于样本向量 x 和 y，曼哈顿距离的计算公式为：
在这里插入图片描述

  1. 切比雪夫距离（Chebyshev Distance）

切比雪夫距离是两个样本向量在各个维度上差异的最大值，适用于离散型数据。对于样本向量 x 和 y，切比雪夫距离的计算公式为：
在这里插入图片描述

  1. 闵可夫斯基距离（Minkowski Distance）

闵可夫斯基距离是欧氏距离和曼哈顿距离的一般化，适用于多种数据类型。对于样本向量 x 和 y，计算公式为：
在这里插入图片描述
当 p=2 时，即为欧氏距离；当 p=1 时，即为曼哈顿距离。

  1. 余弦相似度（Cosine Similarity）

余弦相似度度量两个向量方向上的相似程度，适用于文本等高维稀疏数据。对于样本向量 x 和 y，计算公式为： cosine_similarity(x,y)=x⋅y∥x∥⋅∥y∥cosine_similarity(x,y)=∥x∥⋅∥y∥x⋅y​

  1. 汉明距离（Hamming Distance）

汉明距离度量两个等长字符串在对应位置上不同的位数，适用于处理二进制数据。对于样本向量 x 和 y，计算公式为：
在这里插入图片描述

  1. Jaccard相似度（Jaccard Similarity）： Jaccard相似度度量两个集合的相似程度，适用于处理集合数据。对于样本集合 A 和 B，计算公式为： Jaccard_similarity(A,B)=∣A∩B∣∣A∪B∣Jaccard_similarity(A,B)=∣A∪B∣∣A∩B∣​

选择合适的距离度量方法取决于你的数据类型和任务需求。在实际应用中，可能需要尝试不同的距离度量方法，并根据实验效果来选择最适合的方法。

草明
关注
专栏目录
样本间距离计算方法总结
你若盛开，清风自来
06-29 6632
样本间相似度/距离计算方法总结标签（空格分隔）： 机器学习闵可夫斯基距离Minkowski距离，也成欧式距离，计算方法为：dist(X,Y)=(∑ni=1|xi−yi|p)1p\begin{equation} dist(X, Y) = (\sum_{i=1}^{n}|x_{i}-y_{i}|^{p})^{\frac{1}{p}} \end{equation} 这是我们最常用的一种距离度量方
机器学习中的相似性度量
hit_kongquan的专栏
03-25 8359
<br /><br />在做分类时常常需要估算不同样本之间的相似性度量(Similarity Measurement)，这时通常采用的方法就是计算样本间的“距离”(Distance)。采用什么样的方法计算距离是很讲究，甚至关系到分类的正确与否。<br />　　本文的目的就是对常用的相似性度量作一个总结。<br /><br /><br />本文目录：<br />1. 欧氏距离<br />2. 曼哈顿距离<br />3. 切比雪夫距离<br />4. 闵可夫斯基距离<br />5. 标准化欧氏距离<br />6
样本间的距离或者相似度度量方法
热门推荐
那些年....的专栏
03-20 1万+
一般而言，定义一个距离函数 d(x,y), 需要满足下面几个准则： 1) d(x,x) = 0 // 到自己的距离为0  2) d(x,y) >= 0 // 距离非负  3) d(x,y) = d(y,x) // 对称性: 如果 A 到 B 距离是 a，那么 B 到 A 的距离也应该是 a  4) d(x,k) + d(k,y) >= d(x,y) // 三角形法则: (两边之和大
一种计算两个不同样本集相似度的方法：Mahalanobis距离
leon的修炼之路
07-23 5817
由印度统计学家马哈拉诺比斯(P. C. Mahalanobis)提出的，表示数据的协方差距离。它是一种有效的计算两个未知样本集的相似度的方法。与传统的欧式距离不同的是它考虑到各种特性之间的联系。      在n维空间内的两个点x、y（都是n维的向量），它们之间的欧氏距离定义为：对应每维度下差值的平方求和后再求根号1/2，distance = sqrt((x1-x2)(y1-y2)(z1-z2).
_squared_euclidean函数详解：计算两个样本集中两两样本（来自不同样本集）之间的距离
weixin_45711264的博客
04-05 1098
看GLVQ的代码时候，发现下面一段（已经被我拆分了，方便调试），本来不知所云，后来发现，里面文章大得很。 def _squared_euclidean(a, b=None): if b is None: d = np.sum(a ** 2, 1)[np.newaxis].T + np.sum(a ** 2, 1) - 2 * a.dot( a.T) ...
距离计算与相似性度量方法
weixin_33825683的博客
10-17 3021
0. 前言 在机器学习和数据挖掘中，我们经常需要知道个体间差异的大小，进而评价个体的相似性和类别。最常见的是数据分析中的相关分析，数据挖掘中的分类和聚类算法，如 K 最近邻（KNN）和K均值（K-Means）等。根据数据特性的不同，可以采用不同的度量方法。 1. 基本性质与名词解释 1.1 基本性质 用表示“距离度量”(distance measure)，一般需满足一些基本性质： 非负性： 同一...
常见的距离算法和相似度计算方法
古月哲亭
12-17 1699
原文链接：https://zhuanlan.zhihu.com/p/138107999 首发于算法加油站写文章常见的距离算法和相似度计算方法奋发的菜鸟酱​华东师范大学 计算机技术博士在读91 人赞同了该文章注：不定时更新1.常见的距离算法1.1 欧几里得距离（Euclidean Distance） 在数学中，欧几里得距离或欧几里得度量是欧几里得空间中两点间“普通”（即直线）距离。使用这个距离，欧氏空间成为度量空间。相关联的范数称为欧几里得范数。Euclidean Distance是一个通常采用的距离定义，它
样本数据相似性距离度量算法
此处省略三千字
11-15 5312
1. 欧氏距离 2. 曼哈顿距离 3. 切比雪夫距离 4. 闵可夫斯基距离 5. 标准化欧氏距离 6. 马氏距离 7. 夹角相似距离 8. 汉明距离 9. 杰卡德距离 & 杰卡德相似系数 10. 相关系数 & 相关距离 11. 信息熵 12.皮尔逊相关系数 13.编辑距离 14.DTW 距离 15.KL 散度 其他方法： 卡方检验 Chi-Square 衡量 categorical attributes 相关性的 mutualinformation Spearman's rank coefficie
常见距离的度量及python实现
星之所在
03-27 1743
目录闵可夫斯基距离(Minkowski Distance)堪培拉距离（Canberra Distance）余弦距离（Cosine Distance）汉明距离（Hamming Distance）简单匹配距离（Simple Matching Distance）杰卡德距离（Jaccard Distance）Note 闵可夫斯基距离(Minkowski Distance) Minkowski Distance不是一种距离，而是一组距离。两个n维变量A(a1,a2,…,an)与B(b1,b2,…,bn)间的闵可夫斯基
matlab 韩明距离_机器学习——几种距离度量方法比较
weixin_39832643的博客
12-22 965
1. 欧氏距离(Euclidean Distance)欧氏距离是最容易直观理解的距离度量方法，我们小学、初中和高中接触到的两个点在空间中的距离一般都是指欧氏距离。 二维平面上点a(x1,y1)与b(x2,y2)间的欧氏距离: 三维空间点a(x1,y1,z1)与b(x2,y2,z2)间的欧氏距离: n维空间点a(x11,x12,…,x1n)与b(x21,x22,…,x2n)间的欧氏距离(两个n维向量...
MATLAB中聚类分类算法中距离计算方法
06-28
欧氏距离是最直观的距离度量方法之一，它基于两点之间的直线距离进行计算。对于两个n维向量\(x\)和\(y\)，其欧氏距离定义为： \[ d(x, y) = \sqrt{\sum_{i=1}^{n}(x_i - y_i)^2} \] 2. **标准欧氏距离...
【DL经典回顾】距离度量大汇总（0-导言及距离度量方法列表）
最新发布
悦学共鸣，温柔以待，汇聚光芒，共同成长
04-02 954
在本专栏中，我们将进行一次深度的探索，回顾距离度量的各种方法，并理解它们的重要性和应用。
面向少样本学习的语义对齐度量学习方法
8460、、收集和选择：面向少样本学习的语义对齐度量学习郝福生1，2，何凤翔3，程军1，2，王磊1，2，曹建中4，陶大成31中国科学院人机智能-协同系统中国科学院深圳先进技术研究院2香港中文大学，中国香港3UBTECH悉尼...
模型稳定性评估 简介
galoiszhou的博客
12-25 2789
解决OOT问题的一种常见方法是使用群体稳定性指数（Population Stability Index，PSI）等工具来监测模型在不同时间段或数据分布上的性能变化。OOT通常指的是模型在训练时使用的数据集与将来要在实际应用中使用的数据集有显著的时间差异，导致模型在未来的预测性能下降。通过 PSI 指标，可以得到不同样本（不同时间段给到模型的样本）下，模型在各分数段分布的稳定性。通常，期望分布可以是参考的基准分布，比如在时间点1的分布作为基准，而实际分布是在时间点2的分布。
监督学习 - 多层感知机回归（Multilayer Perceptron Regression，MLP Regression）
galoiszhou的博客
01-13 2707
（Multilayer Perceptron Regression，MLP Regression）是一种。（Artificial Neural Network，ANN）的形式，用于解决。多层感知机是一种包含多个层次的神经网络结构，其中包括。（最大迭代次数）等。这些参数可以根据实际问题进行调整。在实际应用中，可以使用深度学习框架（如。模型来实现多层感知机回归。）或者高层次的机器学习库（如。（隐藏层中的神经元数量）、
监督学习 - 随机森林回归（Random Forest Regression）
galoiszhou的博客
01-11 2411
随机森林是一种Bagging（Bootstrap Aggregating）方法，它通过对训练数据进行有放回的随机抽样（bootstrap抽样）构建多个决策树，并且在每个决策树的节点上使用随机特征子集来进行分裂。类被用来创建随机森林回归模型，并使用训练数据进行训练。最后，评估模型性能并通过图形显示实际数据点和模型预测结果。类来实现随机森林回归。
模型的召回率（Recall）
galoiszhou的博客
01-20 2299
在实际应用中，召回率对于那些对错过正例（漏报）比较敏感的场景非常重要，例如在医学领域中，对于一些疾病的诊断，遗漏病例可能导致严重的后果。然而，召回率的提高通常会伴随着假正例（False Positives）的增加，因此在一些场景中需要在召回率和准确率之间进行权衡。召回率（Recall），也称为灵敏度（Sensitivity）或真正例率（True Positive Rate），是用于评估二分类模型性能的指标之一。召回率衡量了模型正确识别正例的能力，即在所有实际正例中，模型成功识别的比例。
监督学习 - 梯度提升回归（Gradient Boosting Regression）
galoiszhou的博客
01-12 2292
用于解决回归问题。它通过迭代地训练一系列弱学习器（通常是决策树）来逐步提升模型的性能。梯度提升回归的基本思想是通过拟合前一轮模型的残差（实际值与预测值之差）来构建下一轮模型，从而逐步减小模型对训练数据的预测误差。（Gradient Boosting Regression）是一种。（树的最大深度）等。这些参数可以根据实际问题进行调整。在实际应用中，可以使用梯度提升回归的库，如。类，来实现梯度提升回归。
Gini系数（Gini Coefficient，基尼系数）
galoiszhou的博客
12-22 2019
Gini系数（Gini Coefficient，基尼系数）是一种衡量不平等分布的统计方法，常用于评估收入、财富等在一个群体中的不平等程度。基尼系数的取值范围在0到1之间，其中0表示完全平等，1表示完全不平等。在决策树算法中，基尼系数被用于衡量某个节点的不纯度，从而在构建决策树时选择最优的分割点。基尼系数越小，表示节点的不纯度越低，也就是说节点中的样本更加纯净。选择最优分割点时，通常会计算分割后的子节点的加权基尼系数，然后选择使得基尼系数最小的分割点。其中，pk 表示属于类别k的样本在节点中的比例。
基于FCM算法和欧式距离的聚类方法
这种方法的目的是将数据集中的样本按照它们之间的距离远近分成若干个类别。在计算中，每个样本点与其他所有样本点计算欧式距离，距离近的样本点更有可能被划分到同一个类别中，而距离远的则更可能属于不同的类别。...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值