数据测量与相似性分析

       这篇文章中主要记录如何分析样本间相似性的内容，相似性分析在分类算法（如K最邻近分类）和聚类任务中会涉及到。相似性分析基于样本属性取值，因此对于样本属性类型及其取值的特征也有必要说明。

1.数据测量及属性分类

       测量某个对象得到数据的过程实质上是描述该对象的属性（特征）、并将该属性映射到某个值上，在这些值上一般可以定义如下几种操作：

• 相异性       、
• 序             、、、
• 加减          、
• 乘除          、

       依据测量值能进行的操作类型，可以将属性分为：标称型(nominal)、序数型(ordinal)、区间型(interval)和比率型(ratio)，不同类型的定义及区别见下表

 

                         
       从属性取值个数方面，可以将属性分为：属性型(binary attribute)、离散型(discrete)、连续型(continuous)。取值为属性型时，其值只能为两个，如真/假、是/否、男/女、0/1等，这种取值的属性称为二元属性。        标称型、序数型数据的含义比较直观，而对于区间型数据，就以日历日期为例说明，现有两个日期值2017(年)、2018(年)，二者之间的差值可以理解为间隔一年，但是二者间乘或除得到的值则毫无意义，这就是区间值的特征。对于比率型数据，以体重为例，100kg的人可以说是50kg的人体重的两倍，这是有现实直观意义的。有的数据类型可能兼具多种操作方法（如体重可以加减，也可以除），可能在属性类型分类上不那么明显，但需要强调的是：属性归类问题不重要，重要的是明确哪些操作是有意义的。

       除了从以上几个方面对属性进行分类与定义外，还可以按属性取值对称与否来分类。非对称的属性其不同取值间权重不一致，例如艾滋病检验的结果可为阳性和阴性，但是显然我们更关注是否为阳性，该值对判断是否患艾滋病更为关键。对称的属性其取值权重就一致了，例如某路段一定时间内通过的车辆数。

2.样本相似性分析

       样本相似性分析常用于分类、聚类任务中。相似性肯定要依据样本属性取值来分析的，这其中关键就在属性值的处理、相似性度量标准上。

     2.1属性值的处理

       2.1.1 二元化

       在一些算法中（如发现关联模式的算法）要求数据的属性为二元属性，二元化处理就是将数据的属性从“多元”转化为“二元”的过程。二元化的过程为：假设属性取值有个，则将整数区间 中的每个值唯一的赋予该属性的每个取值，如果该属性的取值是有序的，则赋值的过程也必须按顺序赋值，然后将这个值用二进制表示，共需要 （结果向上取整）个二进制位。

      二元化的过程是用多个二元属性来表示一个多元属性，例如一个具有5个取值的属性{awful，poor，ok，good，great}可以用3个二元属性、、表示