距离度量与相似度度量

于 2022-03-25 21:37:06 发布
阅读量3.8k 收藏 10
点赞数 4
文章标签： 机器学习 人工智能
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/qq_38791613/article/details/123703899
版权
本文详细介绍了距离度量与相似度度量在机器学习中的应用，包括距离的定义及其与相似度的关系，重点讲解了马氏距离、余弦相似度、相关系数、KL散度、JS距离和MMD距离的概念、公式及特性，这些度量方法在不同的场景下具有不同的优缺点和适用性。
摘要由CSDN通过智能技术生成

概述

      在分类和聚类任务中，需要用到距离度量评估样本之间的相似度。

      距离度量方法需要满足：1）样本到自身的距离为0；2）距离满足非负性；3）对称性，即A到B的距离与B到A的距离相同；4）三角形法则，即两边和大于第三边。

      距离度量的选择会影响到分类或聚类算法的效果，这里总结一些常见的距离度量方法。

 

一、L_{p}距离 

      L_{p}距离是在论文中最常出现的距离度量方式之一，距离越大相似度越小。直白地说，L_{p}距离就是对两个样本在每个维度上的差距取p次方后求和并开p次方根（p≥1）。 

      L_{p}距离越大，相似度越小。 

      在特征空间X中取两个n维实数向量x_{i}和x_{j}，x_{i}=\left \{ x_{i}^{1}, x_{i}^{2},..., x_{i}^{n} \right \},x_{j}=\left \{ x_{j}^{1},x_{j}^{2},...,x_{j}^{n} \right \}。

最低0.47元/天 解锁文章
没头脑的无痛学习记录
关注
大数据学习笔记：距离度量和相似度度量
howard2005的专栏
12-08 1470
文章目录一、度量（一）概述（二）距离度量1、距离度量概念2、常用距离度量（三）相似度度量1、相似度度量概念2、常用相似度度量 一、度量 （一）概述 在数据分析和数据挖掘的过程中，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。而如何来度量数据之间的差异则成为关键，分类算法或聚类算法的本质都是基于某种度量（距离度量和相似度度量）来实现的。 （二）距离度量 1、距离度量概念 距离度量（Distance）用于衡量个体在空间上存在的距离，距离越远说明个体间的差异越大。 2、常用距离度量 欧氏距离 明
距离（distance）、相似性（similarity）、向量范数（norm）
L. D. Xiao
02-27 9257
距离、相似性、范数
距离和相似度度量[转]
weixin_34080951的博客
08-20 1320
在数据分析和数据挖掘的过程中，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）。当然衡量个体差异的方法有很多，最近查阅了相关的资料，这里整理罗列下。 　　为了方便下面的解释和举例，先设定我们要比较X个体和Y个体间的差异，它们都包含了N个维的特征，即X=（x1, x2, x3, ...
距离和相似度总结
lzj50002801的博客
09-26 364
常见的距离算法 闵可夫斯基距离（Minkowski Distance） 闵氏距离没有考虑特征参数间的相关性，马哈拉诺比斯距离解决了这个问题。 公式： D(x,y)=(∑u=1n∣xu−yu∣p)1/pD(x,y) = (\sum^n_{u=1}|x_u-y_u|^p)^{1/p}D(x,y)=(∑u=1n​∣xu​−yu​∣p)1/p 曼哈顿距离（Manhattan Distance） p =1时，闵可夫斯基距离就是曼哈顿距离 公式： D(x,y)=(∑u=1n∣xu−yu∣p)1/pD(x.
【机器学习基础】机器学习距离与相似度计算
fengdu78的博客
11-14 1450
写在前面涵盖了常用到的距离与相似度计算方式，其中包括欧几里得距离、标准化欧几里得距离、曼哈顿距离、汉明距离、切比雪夫距离、马氏距离、兰氏距离、闵科夫斯基距离、编辑距离、余弦相似度、杰卡德...
距离和相似度计算总结
qqjjjaa11的专栏
09-03 1613
闵可夫斯基距离Minkowsli： P=(x1,x2,...,xn)andQ=(y1,y2,...,yn)∈RnP = (x_1,x_2,...,x_n) \,\, and\,\,Q=(y_1,y_2,...,y_n) \in \Bbb R^n 是衡量数值点之间距离的一种非常常见的方法，假设数值点PP和QQ坐标如上：那么，闵可夫斯基距离定义为： dist(X,Y)=(∑
数据挖掘中的距离度量和相似度度量及Python实现
10-24
这一过程往往依赖于距离度量和相似度度量来衡量数据点之间的差异。下面详细说明距离度量和相似度度量，及其在数据挖掘中应用的相关知识点。 首先，距离度量是用来衡量数据点之间差异的一种方式，常用于聚类分析、...
计算机图形学复习：距离度量、相似度与齐次坐标变换
"本文主要介绍了数据挖掘中的距离度量和相似度度量，并结合Python实现进行探讨。同时，提到了变换通式在图形学中的应用，包括齐次坐标的定义和二维、三维基本变换的齐次坐标形式。此外，文章还涵盖了计算机图形学的...
距离与相似度度量
10-18
机器学习中，距离与相似度度量相关知识总结整理做成的ppt。
数学：相似度计算方法——距离
M_Z_G_Y的博客
05-25 2712
在数据分析和数据挖掘以及搜索引擎中，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。常见的比如数据分析中比如相关分析，数据挖掘中的分类聚类（K-Means等）算法，搜索引擎进行物品推荐时。 相似度就是比较两个事物的相似性。一般通过计算事物的特征之间的距离，如果距离小，那么相似度大；如果距离大，那么相似度小。比如两种水果，将从颜色，大小，维生素含量等特征进行比较相似性。   1、...
基于KL散度与JS散度相似度融合推荐算法.pdf
08-31
针对目前大多数推荐算法在计算项目或用户之间的相似度时只依赖于用户之间的共同评分 项，由于用户 － 项目签到矩阵的高稀疏性，导致推荐结果不准确问题，提出一种改进的协同过滤推荐 算法． 该算法基于每个项目基分值概率分布使用 KL 散度计算项目之间的显性反馈相似度，再融合隐 狄利克雷主题分配模型，得到每个项目属于 T 个主题的概率分布，使用 JS 散度计算出项目之间隐性 反馈相似度，将两个相似度融合后融入到传统基于项目的协同过滤算法中并应用到兴趣点推荐，缓 解数据稀疏性问题的同时提高了推荐质量． 在点评数据集 Yelp 上进行实验验证，得出该推荐算法比 传统的推荐算法更优
各种距离和相似度名词详解
LHW4075的博客
10-02 3189
导语：聚类通常按照对象间的相似性进行分组，因此如何描述对象间相似性是聚类的重要问题。   目录 背景： 常见的距离算法： 1.1欧氏距离（Euclidean Distance） 1.2马氏距离（Mahalanobis Distance） 1.3曼哈顿距离（Manhattan Distance） 1.4切比雪夫距离（Chebyshev Distance） 1.5明可夫斯基距离（...
相似度（距离计算）汇总
duncan
10-19 1万+
在数据挖掘中，我们经常需要计算样本之间的相似度(Similarity ),我们通常的做法是计算样本之间的距离，相似性度量用以描述两个向量之间的相似性，看到三篇讲的比较好的关于距离计算的文章，汇总一起方便查阅。
一文归纳距离和相似度方法(7种)
m0_61899108的博客
01-12 637
距离(distance，差异程度)、相似度(similarity，相似程度)方法可以看作是以某种的距离函数计算元素间的距离，这些方法作为机器学习的基础概念，广泛应用于如：Kmeans聚类、协同过滤推荐算法、相似度算法、MSE损失函数等等。本文对常用的距离计算方法进行归纳以及解析，分为以下几类展开： 目录 一、闵氏距离（Minkowski Distance）类 二、相似度（Similarity) 三、字符串距离(Distance of Strings) 四、集合距离 (Distance of Set
相似性度量的各种距离（Distance）计算归类详解及应用（强烈建议收藏！！！备用）
车手只需要车和手，压力来自轮胎
08-02 7478
Distance ClassificationDistance欧氏距离(Euclidean Distance)闵可夫斯基距离（Minkowski distance）曼哈顿距离(Manhattan distance)切比雪夫距离 ( Chebyshev distance )标准化欧氏距离(Standardized Euclidean distance )马氏距离(Mahalanobis Distance)Reference Distance 由于最近在做故障诊断相关研究，不断学习各种算法，发现在很多算法里面都
距离度量之马氏距离
热门推荐
庞琳卓的博客
09-02 3万+
马氏距离 用来度量一个样本点Ｐ与数据分布为Ｄ的集合的距离。 假设样本点为： 数据集分布的均值为： 协方差矩阵为Ｓ。 则这个样本点Ｐ与数据集合的马氏距离为： 马氏距离也可以衡量两个来自同一分布的样本x和y的相似性： 当样本集合的协方差矩阵是单位矩阵时，即样本的各个维度上的方差均为１．马氏距离就等于欧式距离相等。 当协方差矩阵
常用相似性(距离)度量方法概述
明日韭菜
08-12 1万+
1 使用背景 在数据分析和数据挖掘的过程中，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性分析，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）、图计算等等。 在做很多研究问题 2 距离度量 距离度量（Distance）用于衡量个体在空间上存在的距离，距离越远说明个体间的差异越大。 2.1. 曼哈顿距离(Manhattan Distance) 在曼哈顿要从一个十字路口开车到另外一个十字路口，实际驾驶距离就是这个“曼哈顿距离”。而这
距离度量、相似度计算 (闵氏距离、马氏距离、皮尔逊相关系数、余弦相似度)
连理o的博客
10-14 1353
Ref: 《统计学习方法》 目录LpL_pLp​ 距离 (LpL_pLp​ distance) / Minkowski 距离 (Minkowski distance)马氏距离 / 马哈拉诺比斯距离 (Mahalanobis Distance) LpL_pLp​ 距离 (LpL_pLp​ distance) / Minkowski 距离 (Minkowski distance) 当 p=2p=2p=2 时，称为欧氏距离 (Euclidean distance) 当 p=1p=1p=1 时，称为曼哈顿.
常用距离/相似度度量
liuyinglxl
03-28 461
给定样本集合 XXX，X=[xij]m×nX = [x_{ij}]_{m\times n}X=[xij​]m×n​，由 nnn 个 mmm 维特征组成的样本集合。其中 xi,xj∈X,xi=(xi1,xi2,...,xim),xj=(xj1,xj2,...,xjm)x_i, x_j \in {X}, x_i = (x_{i1}, x_{i2}, ..., x_{im}), x_j = (x_{j1...
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