机器学习（十三）——相似度的计算方法

最新推荐文章于 2024-06-21 09:59:42 发布
最新推荐文章于 2024-06-21 09:59:42 发布
阅读量2.8k 收藏 3
点赞数
分类专栏： 机器学习
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_41386300/article/details/100026525
版权
本文介绍了无监督机器学习中的聚类特点，重点讲解了三种相似度计算方法：欧式距离和Jaccard系数用于衡量向量点的相似度，余弦距离适合于文本相似度计算，而Person系数和相对熵也是常用的相似度测量方式。
摘要由CSDN通过智能技术生成

无监督机器学习特点：
在这里插入图片描述
聚类特点：
在这里插入图片描述

对于聚类来说，相似性非常重要，下面我们就来看看相似度怎么算

1. 欧式距离和Jaccard系数

在这里插入图片描述
最经典的就是欧式距离（两点之间的距离，上图中的二维空间公式）
上图中右下角的第一个公式就是Jaccard系数，如果是距离的话第二个公式可以体现

相似度的两种测量方式：一个测量是高维空间里向量点和向量点的相似度；另一个是Jaccard系数（测量两个集合之间的相似度）

在这里插入图片描述

2. 余弦距离

在这里插入图片描述
假设一句话：我爱中国，被分成三个词：

最低0.47元/天 解锁文章
qq_41386300
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
相似度计算
wepon的专栏
12-28 1万+
相似度计算 @author：wepon @blog：http://blog.csdn.net/u012162613/article/details/42213883 《Machine Learning in Action》笔记，相似度计算，基于python+numpy。 在推荐系统中，我们需要计算两个物品的相似度，对于物品的描述，一般都可以量化为一个向量，于是两个物品之
邹博机器学习 - - 聚类讲义
04-01
### 邹博机器学习——聚类讲义知识点详解 #### 一、聚类概述 **聚类**是一种无监督的学习方法，旨在将大量的未标记数据按照数据间的相似性进行分组，形成不同的类别（簇）。聚类的目标是使得同一簇内的数据尽可能...
【机器学习基础】机器学习距离与相似度计算
fengdu78的博客
11-14 1423
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...
相似度计算的常用方法
最新发布
m0_61826401的博客
06-21 821
​ 使用两向量夹角θ的余弦值cosθ来表示两个向量的相似度，称为余弦相似度。余弦相似度的范围是：[-1,1]，夹角越小，余弦值越接近于1，两个向量越靠近，两者越相似。r取值范围为[-1,1]，为正代表两个变量存在正相关，为负代表两个变量存在负相关，r=0，说明两个变量之间无线性相关关系。​ 其中，<a,b>表示的是向量a和向量b的内积，||a||和||b||分别表示向量a和向量b的模（长度）。分别为变量X和变量Y的标准差，COV(X,Y)为变量X和变量Y的协方差。
机器学习相似度
weixin_42720875的博客
05-21 923
相似度意义 在机器学习的各种领域都会遇到需要去衡量两个样本或者两个特征之间的关系的情况，因此就需要一种准则去数值化反映这种差别–相似度。相似度的计算方法有很多种，每种都有着各自的优缺点。下面详细展开介绍 几种重要的相似度计算方法 欧几里得相似度 欧几里得相似度是生活中碰到最多的一种。在数学中，欧几里得距离或欧几里得度量是欧几里得空间中两点间“普通”（即直线）距离。欧几里得距离有时候有称欧氏距离，在数据分析及挖掘中经常会被使用到，例如聚类或计算相似度。 如果我们将两个点X1,X2X_1,X_2X1​,X2​分
【机器学习】相似度度量方法总结
qq_41340996的博客
05-18 2133
相似性度量 描述样本之间相似度的方法有很多种，一般来说常用的有相关系数和欧式距离。 在做分类时，常常需要估算不同样本之间的相似性度量（Similarity Measurement），这时通常采用的方法就是计算样本间的“距离”（distance）。采用什么样的方法计算距离是很讲究的，甚至关系到分类的正确与否。 欧式距离 曼哈顿距离 切比雪夫距离 闵可夫斯基距离 标准化欧氏距离 马氏距离 夹角余弦 汉明距离 杰卡德距离&杰卡德相似系数 相关系数&相关距离 信息熵 1.欧式距离 平方、求和、开
【机器学习】全面归纳距离和相似度方法(7种)
fengdu78的博客
12-08 840
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、...
人工智能-深度学习-基于深度学习的中文句子相似度计算研究.pdf
06-27
综上所述，本文的研究深入到深度学习和自然语言处理的交汇点，通过创新的数据预处理方法、模型结构改进和训练策略优化，实现了对中文句子相似度计算的高效处理。这不仅有助于提升相关应用的性能，也为未来深度学习在...
邹博机器学习 - 聚类实践
04-01
根据给定文件的信息，我们可以提炼出以下几个主要的机器学习中的聚类知识点： ### 1. K-Means算法 K-Means是一种非常基础且常用的聚类算法，它旨在将数据集分成K个簇（Cluster），使得每个数据点归属于距离最近的...
机器学习-距离度量和相似度计算
数据掘金
07-17 2321
机器学习-距离度量
机器学习笔记18-相似度/距离计算方法总结
intricate_的博客
05-13 1008
1.曼哈顿距离和欧式距离 图中红线代表曼哈顿距离，绿色代表欧式距离，也就是直线距离，而蓝色和黄色代表等价的曼哈顿距离。 2.杰卡德相似系数（Jaccard） 两个集合A和B的交集元素在A，B的并集中所占的比例，称为两个集合的杰卡德相似系数，用符号J(A,B)表示。​杰卡德相似系数是衡量两个集合的相似度一种指标。如CV领域中的IOU。 3.余弦相似度及扩展 相似度度量（Similarity），即计算个体间的相似程度，相似度度量的值越小，说明个体间相似度越小，相似度的值越大说明个体差异越大。.
机器学习12.推荐系统(1)--协同过滤、相似度计算、奇异值分解
xd_ljq的博客
07-10 541
可能要写的目录 item协同过滤，user协同过滤
机器学习中的距离和相似性计算以及python实现
python收藏家的博客
03-07 606
机器学习中的距离和相似性计算以及python实现
【机器学习】几种相似度算法分析
热门推荐
weixin_39050022的博客
06-19 8万+
最近开始研究推荐系统，其中常见的相似度算法有以下几种：1. 欧几里得距离欧几里得度量（euclidean metric）（也称欧氏距离）是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度（即该点到原点的距离）。在二维和三维空间中的欧氏距离就是两点之间的实际距离。注意事项：a.因为计算是基于各维度特征的绝对数值，所以欧氏度量需要保证各维度指标在相同的刻度级别，比如对身高...
常用的统计分析方法-相似度计算
weixin_43336305的博客
06-28 3824
基于欧几里得距离的相似度计算 欧几里得相似度计算是一种基于用户之间直线距离的计算公式。它用来表示三维空间中两个点的真实距离。 两个物品或者用户距离越大，可以看到其相似度越小；距离越小则相似度越大。 第二种：基于余弦角度的相似度计算 如果两个目标较为相似，那么线段所形成的夹角越小。如果两个用户不相近，那么两条射线所形成的夹角越大。可以用夹角的大小反应目标之间的相似性。 两者的...
机器学习中的相似性度量
pi9nc的专栏
06-09 2万+
机器学习中的相似性度量 发表于 2012-01-03 　　在做分类时常常需要估算不同样本之间的相似性度量(Similarity Measurement)，这时通常采用的方法就是计算样本间的“距离”(Distance)。采用什么样的方法计算距离是很讲究，甚至关系到分类的正确与否。 　　本文的目的就是对常用的相似性度量作一个总结。 　　本文目录： 　　1. 欧氏距离
python获取小图在大图中的坐标和相似度
weixin_44346972的博客
03-10 6995
python获取小图在大图中的坐标和相似度模块安装：pip install aircv大小两个图片：big.jpg，small.jpg 模块安装：pip install aircv 大小两个图片：big.jpg，small.jpg 直接上代码 import aircv as ac from PIL import Image # 需要当前目录准备两个图片，big.jpg 和 small.jpg class CompareImage(): # 可以通过confidencevalue来调节相似程度的阈
机器学习中的相似性度量 (多种几何距离定义)
StefanSalvatore的博客
07-21 5301
在做分类时常常需要估算不同样本之间的相似性度量(Similarity Measurement)，这时通常采用的方法就是计算样本间的“距离”(Distance)。采用什么样的方法计算距离是很讲究，甚至关系到分类的正确与否。 　　本文的目的就是对常用的相似性度量作一个总结。 本文目录： 1. 欧氏距离 2. 曼哈顿距离 3. 切比雪夫距离 4. 闵可夫斯
MATLAB之相似性度量的二分类实验
qq_540710991的博客
04-08 2969
实验内容 将MIT室内场景数据库中卧室、浴室作为正负样本，利用留出法完成训练集与测试集的划分（比例1：2），并使用测量夹角余弦的方式进行二分类（0为负，1为正），最后给出分类错误率和准确率，并绘制ROC曲线。 实验原理 【余弦距离】也称为余弦相似度，是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小的度量。余弦值越接近1，就表明夹角越接近0度，也就是两个向量越相似，这就叫"余弦相似性"。 实验过程 Step1:将卧室图像作为正样本，浴室图像作为负样本 Step2:利用留出法将正负样本按1：2比例
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