规范化与距离公式

规范化

最小-最大规范化

$$x^{\prime }=\frac{x-min}{max-x}(ne{w}_{max}-ne{w}_{min})+ne{w}_{min}$$

z-score规范化

$$x^{\prime }=\frac{x-\bar{A}}{{\sigma }_A}$$

按小数定标规范化

$$x^{\prime }=\frac{x}{10^j}$$

距离公式

曼哈顿距离

$$Dist(x,y)=\sum |x_i-y_i|$$

欧几里得距离

$$\sqrt{\sum (x_i-y_i{)}^2}$$

切比雪夫距离

$$\underset{p\to \infty }{\lim }(\sum |x_i-y_i{|}^p{)}^{\frac{1}{p}}$$

闵可夫斯基距离

$$(\sum |x_i-y_i{|}^p{)}^{\frac{1}{p}}$$

杰卡德距离

$$sim(A,B)=\frac{\sum x_i{y}_i}{\sum x_i^2-\sum x_i{y}_i+\sum y_i^2}=1-d_j(A,B)=\frac{|A\cap B|}{|A\cup B|}$$

相似性度量

标称属性的相似性度量

$$Sim(\bar{X},\bar{Y})=\sum S(x_i,y_i)$$

转化为多个二元属性，同属性总数/属性总数

组合异种属性的相似性度量（ 欧几里得距离的扩展马氏距离）

$$(\bar{X}-\bar{Y})\sum ^{-1}(\bar{X}-\bar{Y}{)}^T$$

文本相似性度量

$$\cos (\bar{X},\bar{Y})=\frac{\bar{X}\bar{Y}}{||\bar{X}||\cdot ||\bar{Y}||}$$

编辑距离

$$Edit(i,j)=\{\begin{array}{ll}Edit(i-1,j-1),& x_i=y_i\\ \min (Edit(i-1,j)+w_{det},Edit(i,j-1)+w_{ins},Edit(i-1,j-1)+w_{rep}),& x_i\ne y_i\end{array}$$