数据对象、属性和相似性

---

数据对象、属性和相似性

---

---

数据对象

---

别名：样本、实例、数据点 或 对象

一般使用属性对应属性值来描述数据对象

哈士奇：傻、大、黑白、撕家

属性

---

一个数据字段，表示数据对象的一个特征。

别名：属性（DM）、维（数据仓库）、特征（ML）、变量

属性类型

属性	特点	备注
标称	与名称相关，也被看作分类的	趋势度量：众数
二元	也叫bool属性，True / False	对称与非对称（重要性）
序数	有顺序的	趋势度量：众数，中位数。均值无意义
数值	区间标度属性和比率标度属性
离散	有限或无限个值	可用数表示、也可用名称（：hair，eye）
连续	实数表示。	（不离散则连续）

中心趋势度量：

• 均值mean
• 中位数median
• 众数
• 中列数 midrange= （max+min）/ 2

度量数据散布：

• 极差range = max - min
• 四分位数quartile（分为四分之一）
• 方差variance
• 标准差standard deviation

数据对象相似性、相异性

---

数据矩阵：$D_{m\ast n}$: 对象–属性结构 ，$d_{i\ast j}$：属性值。双模
相似 \ 异性矩阵： 对象–对象结构 ，$D_{m\ast m}$ ，$d_{i\ast j}$：相似 \ 异性。单模

m ：m个对象，n ：n个属性
单模（一种实体）、双模（两种实体）

属性	相似性	相异性	其他
标称	$\frac{m}{p}$	$\frac{p-m}{p}$ OR 1 - $\frac{m}{p}$	p：总数，m：匹配数目
二元	对称：$\frac{q+t}{sum}$ 、非对称：jaccard系数	$\frac{r+s}{sum}$ OR 1 - $\frac{q+t}{sum}$	二元属性列联表（混淆矩阵）（见下表）
数值（欧几里得距离）	$d_{ij}=\sqrt{(x_{i1}-x_{j1}{)}^2+(x_{i2}-x_{j2}{)}^2+...+(x_{in}-x_{jn}{)}^2}$
数值（曼哈顿距离）	$d_{ij}=abs(x_{i1}-x_{j1})+abs(x_{i2}-x_{j2}))+...+abs(x_{in}-x_{jn})$
数值（明可夫斯基距离）	$d_{ij}=\sqrt[h]{(x_{i1}-x_{j1}{)}^2+(x_{i2}-x_{j2}{)}^2+...+(x_{in}-x_{jn}{)}^2}$		别称：$L_p$范数
数值（上确界距离）	$d_{ij}={\lim }_{n\to \infty }({\sum }_{f=1}^p(abs(x_{if}-x_{jf}){)}^h{)}^{\frac{1}{h}}=ma{x}_f^{p}abs(x_{if}-x_{jf})$		别称：$L_{max}、L_{\infty }$范数 和 切比雪夫范数
序数	$Z_{if}=\frac{R_{if}-1}{M_f-1}$ 然后使用数值属性距离度量计算 $Z_{if}$ 作为第 i 个对象的 f 属性值		M：有序状态数目 有序状态 State：1… $M_f$ $R_{if}\in State$ $Z_{if}$ 为$R_{if}$数据规格化后
混合	方法1：按不同类型分组，对每种进行分析		标称、二元、序数、数值都有
混合	方法2：一起处理 up =${\sum }_{f=1}^N{q}_{if}^{(f)}$ $d_{if}^{(f)}$ down =${\sum }_{f=1}^N{q}_{if}^{(f)}$ $d_{if}=\frac{up}{down}$		标称、二元、序数、数值都有 DM的Page50
余弦	Cos similarity		一般用于比较文档
余弦变种	$\frac{X\ast Y}{X\ast X+Y\ast Y-X\ast Y}$		Tanimoto系数\距离，常用于信息检索和生物学分类

Cos similarity = $\frac{X\ast Y}{||X||\ast ||Y||}$ 余弦相似度公式

X 和 Y 是向量，||X|| 和 ||Y||是欧几里得范数

f：属性f

二元属性列联表（混淆矩阵）	True	False	SUM
True	q	r	q+r
False	s	t	s+t
SUM	q+s	r+t	sum = q+r+s+t