【数据挖掘】第二章 数据 2.4 数据相似性度量

这节课我们学习2.4节数据的相似性和相异性度量方法。

相似性主要是对两个数据对象类似程度的数值度量，目标越相似，相似值越高。

通常相似值是零到一之间的实数。相对应的相应性是衡量两个数据对象差异程度的数值度量方法。相应性的最小值为零，最大值则根据场景不同而不同，也可以根据数据规范化的方法映射到零到一的区间内。临近度的概念既可以以相似性进行表达，也可以使用相应度来进行表达。假设由 in 个数据，每个数据由 pg 为度，那么这些数据可以表示为 in 行 p 列。相应型矩阵是 ln 乘 n 的矩阵，由于数据对象之间的距离是对称的，因此相应型矩阵可以使用下三角矩阵来进行压缩存储。第 i 行第 j 列的数据，表示为第 i 个数据对象和 d 这个数据对象的距离，主对角线及数据对象 i 和自己的距离为零。下面我们针对数据的不同属性类型给出相应的数据邻近性度量方法。首先来看名义型变量的临近度度量方法。如果属性有两个或多个状态，则可以使用简单匹配方法来进行计算，令 m 表示 p 为属性中两个对象匹配一样取值的个数，则数据对象 i 和 g 的距离定义为 p 减 m 除以 p 。除此之外，还可以将属性对应于 m 的状态转化为新的二进制编码，利用马上要讲到的二进制列联表进行测量。

下面我们来看二进制属性的列联表零进度度量。我们使用二进制数据的列联表进行表达，数据对象 i 作为行有零，一两个属性，数据对象 j 作为列，同样也有零，一两个属性值，其中的 q 表示在