目录
邻近性:相似性和相异性统称为邻近性
属性类型:
标称属性:值是一些符号或者事务的名称,每个值代表某种类别、编码或者状态,因此标称属性又被看做是分类的,值是无意义的序,并且不是定量的,因此找平均值和中位数是没有意义的,比如:hair_color(头发的颜色)就是。
二元属性:是一种标称属性,只有两个类别状态:0或者1,0通常表示该属性不出现,而1表示出现。二元属性也有对称的二元属性和非对称的二元属性,如果状态的结果不是同等重要的,则称为非对称的二元属性。
序数属性:其可能的值之间具有有意义的量,例如:饮料量的大中小,军衔的等级,成绩的等级,等等。
数值属性:1.区间标度属性:用相等的单位尺度度量
2.比率标度属性:属性是具有固有零点的数据属性。
数据结构:
参考:
数据矩阵与相异性矩阵_cicidan的博客-CSDN博客_相异性矩阵
数据矩阵:
n*p 矩阵(n个对象,每个对象有p个属性)
相异度矩阵:
存储n个对象两两之间的相似性,表现形式是一个n×n维的矩阵。d(i,j)是对象i和j之间相异性的量化表示,通常为非负值,两个对象越相似或“接近”,其值越接近0,越不同,其值越大,且d(i,j)= d(j,i),d(i,i)=0。
例如:
主对角线元素为0,因为对象与对象本身被认为是没有差异的
d(i,j) = d(j,i),因此相异性矩阵是对称矩阵
相似度和距离:
现在有4个数据点:x1、x2、x3、x4
它们的数据矩阵:
相异性矩阵(欧几里得距离)
度量数据的相似性和相异性:
数据矩阵由两种实体或“事物”组成,即行(代表对象)和列(代表属性)。因而,数据矩阵经常经常被称为二模矩阵。相异性矩阵只包含一类,因而被称为单模矩阵。
标称属性的邻近性度量:
两个对象i和j之间的相异性可以根据不匹配率来计算:
d( i , j ) = (p-m) / p
m : p个变量中匹配的个数(表示对象i与对象j之间有相同属性值的个数)
p : 全部变量的个数(标称属性的个数,而非某一个属性的值的个数)
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。我们可以通过赋予m较大的权重,或者赋给有较多状态的属性的匹配更大的权重来增加m的影响。
二元属性的邻近性度量
一种方法涉及由给定的二元数据计算相异性矩阵。如果所有的二元都被看做具有相同的权重,则我们得到一个两行两列的列联表——表2.3,其中q是对象i和j都取1的属性数,r是在对象i中取1、在对象j表2.3 二元属性的列联表对象i对象j中取0的属性数,s是在对象i中取0、在对象j中取1的属性数,而t是对象i和j都取0的属性数。属性的总数是p,其中p=q+r+s+t。
回忆一下,对于对称的二元属性,每个状态都同样重要。基于对称二元属性的相异性称做对称的二元相异性。如果对象i和j都用对称的二元属性刻画,则i和j的相异性为
对称的相异性:
对于非对称的二元属性,两个状态不是同等重要的;如病理化验的阳性(1)和阴性(0)结果。给定两个非对称的二元属性,两个都取值1的情况(正匹配)被认为比两个都取值0的情况(负匹配)更有意义。因此,这样的二元属性经常被认为是“一元的”(只有一种状态)。基于这种属性的相异性被称为非对称的二元相异性,其中负匹配数t被认为是不重要的,因此在计算时被忽略,如下所示:
非对称的相异性:
互补地,我们可以基于相似性而不是基于相异性来度量两个二元属性的差别。例如,对象i和j之间的非对称的二元相似性可以用下式计算:
(2.15)式的系数sim(i,j)被称做Jaccard系数,它在文献中被广泛使用。
例子:
name是对象标识符,gender是对称属性,其余的属性都是非对称二元的。
对于非对称属性,值Y(yes)和P(positive)被设置为1,值N(no或negative)被设置为0。
Jack、Mary和Jim两两之间的距离如下:
因为具有最高的相异性,所以Jim和Mary不大可能患类似的疾病。而Jack和Mary最可能患类似的疾病。
式子是怎么得来的:
根据前面提到的二元属性的列联表:
因为name是对象标识符,gender是对称属性,其余的属性都是非对称二元的。所以只考虑gender、fever、cough、test1、test2、test3、test4这几个非对称属性。
1 | 0 | |
1 | q | r |
0 | s | t |
先以Jack和Jim为列子,列出这两个对象的二元属性列联表:
q是Jack和Jim非对称属性取值相同的属性个数,r、s、t依次类推
得出:
1 | 0 | |
1 | 1 | 1 |
0 | 1 | 3 |
所以根据公式:
d(Jack,Jim) = 1+1/1+1+1
序数属性的邻近性度量
数据的相异性:闵可夫斯基
计算数值属性刻画的对象的相异性的距离度量:欧几里得距离,曼哈顿距离,闵可夫斯基距离。
最流行的距离度量是欧几里得距离(即,直线或“乌鸦飞行”距离)。令i=(xi1,xi2,…,xip)和j=(xj1,xj2,…,xjp)是两个被p个数值属性描述的对象。对象i和j之间的欧几里得距离定义为:
另一个著名的度量方法是曼哈顿(或城市块)距离,之所以如此命名,是因为它是城市两点之间的街区距离(如,向南2个街区,横过3个街区,共计5个街区)。其定义如下:
欧几里得距离和曼哈顿距离都满足如下数学性质:
非负性:d(i,j)≥0:距离是一个非负的数值。
同一性:d(i,i)=0:对象到自身的距离为0。
对称性:d(i,j) = d(j,i):距离是一个对称函数。
三角不等式:d(i,j)≤d(i,k)+d(k,j):从对象i到对象j的直接距离不会大于途经任何其他对象k的距离。
满足这些条件的测度称做度量(metric)。注意非负性被其他三个性质所蕴含。
闵可夫斯基距离:
当p=2时,闵可夫斯基距离即欧氏距离(Euclidean distance) :
当p=1时,闵可夫斯基距离即曼哈顿距离(Manhattan distance),亦称“街区距离”(city block distance):
当p→∞时,闵可夫斯基距离即切比雪夫距离(Chebyshev distance):