分类目录:《机器学习中的数学》总目录
相关文章:
· 距离定义:基础知识
· 距离定义(一):欧几里得距离(Euclidean Distance)
· 距离定义(二):曼哈顿距离(Manhattan Distance)
· 距离定义(三):闵可夫斯基距离(Minkowski Distance)
· 距离定义(四):切比雪夫距离(Chebyshev Distance)
· 距离定义(五):标准化的欧几里得距离(Standardized Euclidean Distance)
· 距离定义(六):马氏距离(Mahalanobis Distance)
· 距离定义(七):兰氏距离(Lance and Williams Distance)/堪培拉距离(Canberra Distance)
· 距离定义(八):余弦距离(Cosine Distance)
· 距离定义(九):测地距离(Geodesic Distance)
· 距离定义(十): 布雷柯蒂斯距离(Bray Curtis Distance)
· 距离定义(十一):汉明距离(Hamming Distance)
· 距离定义(十二):编辑距离(Edit Distance,Levenshtein Distance)
· 距离定义(十三):杰卡德距离(Jaccard Distance)和杰卡德相似系数(Jaccard Similarity Coefficient)
· 距离定义(十四):Ochiia系数(Ochiia Coefficient)
· 距离定义(十五):Dice系数(Dice Coefficient)
· 距离定义(十六):豪斯多夫距离(Hausdorff Distance)
· 距离定义(十七):皮尔逊相关系数(Pearson Correlation)
· 距离定义(十八):卡方距离(Chi-square Measure)
· 距离定义(十九):交叉熵(Cross Entropy)
· 距离定义(二十):相对熵(Relative Entropy)/KL散度(Kullback-Leibler Divergence)
· 距离定义(二十一):JS散度(Jensen–Shannon Divergence)
· 距离定义(二十二):海林格距离(Hellinger Distance)
· 距离定义(二十三):α-散度(α-Divergence)
· 距离定义(二十四):F-散度(F-Divergence)
· 距离定义(二十五):布雷格曼散度(Bregman Divergence)
· 距离定义(二十六):Wasserstein距离(Wasserstei Distance)/EM距离(Earth-Mover Distance)
· 距离定义(二十七):巴氏距离(Bhattacharyya Distance)
· 距离定义(二十八):最大均值差异(Maximum Mean Discrepancy, MMD)
· 距离定义(二十九):点间互信息(Pointwise Mutual Information, PMI)
豪斯多夫距离(Hausdorff Distance)是在度量空间中任意两个集合之间定义的一种距离。给定欧氏空间中的两点集
A
=
{
a
1
,
a
2
,
⋯
,
a
n
}
A=\{a_1, a_2, \cdots, a_n\}
A={a1,a2,⋯,an}和
B
=
{
b
1
,
b
2
,
⋯
,
b
m
}
B=\{b_1, b_2, \cdots, b_m\}
B={b1,b2,⋯,bm},则豪斯多夫距离为:
H
(
A
,
B
)
=
max
(
h
(
A
,
B
)
,
h
(
B
,
A
)
)
H(A, B)=\max{(h(A, B), h(B, A))}
H(A,B)=max(h(A,B),h(B,A))
其中, h ( A , B ) = max a ∈ A min b ∈ B ∣ ∣ a − b ∣ ∣ h(A, B)=\max_{a\in A}\min_{b\in B}||a - b|| h(A,B)=maxa∈Aminb∈B∣∣a−b∣∣, H ( A , B ) H(A, B) H(A,B)称为称为双向豪斯多夫距离, h ( A , B ) h(A, B) h(A,B)称为从点集 A A A到点集 B B B的单向豪斯多夫距离。相应地, h ( B , A ) h(B, A) h(B,A)称为从点集 B B B到点集 A A A的单向豪斯多夫距离。