对数据的认识(二)

四、度量数据的相似性和相异性

1、数据矩阵和相异性矩阵

假设我们有n个对象（如人、商品或课程），被p个属性（又称维或特征，如年龄、身高、体重或性别）刻画。这些对象是x1=（x11，x12，…，x1p)，x2=（x21，x22，…，x2p)，等等，其中xij是对象xi的第j个属性的值。为简单计，以后我们称对象xi为对象i。这些对象可以是关系数据库的元组，也称数据样本或特征向量。

通常，主要的基于内存的聚类和最近邻算法都在如下两种数据结构上运行：

·数据矩阵（data matrix）或称对象-属性结构：这种数据结构用关系表的形式或n×p（n个对象×p个属性）矩阵存放n个数据对象：

 

每行对应于一个对象。在记号中，我们可能使用f作为遍取p个属性的下标。

·相异性矩阵（dissimilarity matrix）或称对象-对象结构：存放n个对象两两之间的邻近度（proximity)，通常用一个n×n矩阵表示：

 

其中d(i，j)是对象i和对象j之间的相异性或“差别”的度量。一般而言，d(i，j)是一个非负的数值，对象i和j彼此高度相似或“接近”时，其值接近于0；而越不同，该值越大。注意，d(i，i）=0，即一个对象与自己的差别为0。此外，d(i，j）=d(j，i)。（为了易读性，我们不显示d(j，i)，该矩阵是对称的。）相异性度量的讨论遍及本章的余下部分。

相似性度量可以表示成相异性度量的函数。例如，对于标称数据

                  sim(i，j）=1-d(i，j)(2.10)

其中，sim(i，j)是对象i和j之间的相似性。本章的其余部分，我们也对相似性度量进行讨论。

2、标称属性的邻近性度量

    两个对象i，j的相异性计算公式（根据不匹配率来计算）：

         

 其中，m是匹配的数目（即i和j取值相同状态的属性数），而p是刻画对象的属性总数。