曼哈顿算法公式_JavaScript实现数学公式(四)

1.统计相关,平均值，方差

平均值公式如下:

平均值即是对所有的数据进行求和，然后除以总的数据个数，算法以JS实现如下：

function Mean([...data]){
	let total =0;
	for(let i=0;i<data.length;i++){
		total+=data[i];
	}
	return total/data.length;
}

函数实现代码如上

除了对于均值进行求值，我们还会对含有权重的值进行求解均值，这又被称为加权平均

其公式如下：

，这个公式中含有两个数据集，一个是数据集，一个是权重集，由公式我们可以写出如下的代码:

function WeightMean([...data],[...weight]){
	if(data.length==weight.length){
		let STotal;
		for(let i=0;i<data.length;i++){
			STotal+=((weight[i]*data[i])/weight[i])
		}
	}else{
		throw Error();
	}
	return STotal;
}

方差(又称为标准差)是描述数据散布的程度的，低标准差意味着所有的数据很靠近均值，而高标准差意味着数据散布在一个很大的值域之中

由以上的公式，我们可以得到如下的代码

function variance([...data]){
	let mean = Mean(data),Total=0;
	for(let i=0;i<data.length;i++){
		total+=(data[i]-mean)**2;
	}
	return total/data.length;
}

以上代码为计算方差的，而方差在经过开方计算后，就可得到标准差。

数据的相异性可以用向量当中的求模运算进行计算，也可用欧几里得距离或是曼哈顿距离公式进行计算，矩阵的求模公式在此就不表了，我要介绍的是另外一个用来形容数据之前的差异性的算法。

我们如果要确定两篇文章是不是同一篇文章，相似度有多高，我们就可以将两篇文章进行取词计算词语出现的次数，由此，我们可以引出词频向量。词频向量的余弦相似性，这和我们学习向量的求模公式如出一辙。

公式如下

x就当作来自文章A的词频向量，而y就可当作来自文章B的词频向量

我们可以根据如上的公式对两个文章进行相似性的比对，其代码如下

function sim([...x],[...y]){
	let total=[]
	if(x.length==y.length){
		for(let i=0;i<x.length;i++){
			total[0]+=Math.sqrt(x[i]**2);
			total[1]+=Math.sqrt(y[i]**2);
			total[3]+=x[i]*y[i];
		}
		return total[3]/total[0]*total[1];
	}else{
		throw Error();
	}
}

要点：

1.数据集由数据对象组成。数据对象代表实体
二元属性表示仅有两种状态，非此即彼。如果两种状态同等重要，那么就说这两个属性是对称的，否则为不对称的。