机器学习中的距离计算

《机器学习-周志华》学习笔记

机器学习中的距离

距离度量的基本性质

对函数 $dist(\cdot ,\cdot )$ ，若它是一个“距离度量”，则其满足以下性质：

• 非负性：$dist(x_i,x_j)\ge 0$;
• 同一性：$dist(x_i,x_j)=0,\text{当且仅当}{x}_i=x_j$;
• 对称性：$dist(x_i,x_j)=dist(x_j,x_i)$；
• 直递性：$dist(x_i,x_j)\le dist(x_i,x_k)+dist(x_k,x_j)$.

直递性常被称为“三角不等式”

闵可夫斯基距离（Minkowski distance）

给定样本 $x_i=(x_{i1};x_{i2};\cdots ;x_{in})$ 和 $x_j=(x_{j1};x_{j2};\cdots ;x_{jn})$ ,闵可夫斯基距离为：
$$dis{t}_{mk}(x_i,x_j)=\Vert x_i-x_j{\Vert }_p={\left(\sum _{u=1}^n|x_{iu}-x_{ju}{|}^p\right)}^{\frac{1}{p}}$$

对 $p\ge 1$ ,公式满足距离度量的所有性质

当 $p=1$ 时，闵可夫斯基距离即为曼哈顿距离（Manhattan distance）,此时有
$$dis{t}_{man}(x_i,x_j)=\Vert x_i-x_j{\Vert }_1=\sum _{u=1}^n|x_{iu}-x_{ju}|$$

曼哈顿距离也称为“城市街区距离”(City Block distance)。

当 $p=2$ 时，闵可夫斯基距离即为欧式距离（Euclidean distance）,此时有
$$dis{t}_{ed}(x_i,x_j)=\Vert x_i-x_j{\Vert }_2=\sqrt{\sum _{u=1}^n|x_{iu}-x_{ju}{|}^p}$$

当 $p\to \infty$ 时，闵可夫斯基距离即为切比雪夫距离（Chebyshev distance）,此时有
$$dis{t}_{cd}(x_i,x_j)=\Vert x_i-x_j{\Vert }_{\infty }=li{m}_{p\to \infty }{\left(\sum _{u=1}^n|x_{iu}-x_{ju}{|}^p\right)}^{\frac{1}{p}}$$

闵氏距离的缺点：

1. 将各个分量的量纲(scale)，也就是“单位”相同的看待了;
2. 未考虑各个分量的分布（期望，方差等）可能是不同的。

说明：
机器学习中常将属性划分为连续属性（continuous attr）和离散属性（categorical attr），在讨论距离计算时，属性上是否定义了序关系更为重要，例如定义域 { 1 , 2 , 3 } \{1,2,3\} {1,2,3}的离散属性与连续属性的性质更接近一些，能直接在属性上计算距离：“1”与“2”比较接近、与“3”比较远，这样的属性称为有序属性（ordinal attr）；而定义域为 { 飞机,火车,轮船 } \{\text{飞机,火车,轮船}\} {飞机,火车,轮船}这样的离散属性不能直接在属性值上计算距离，称为无序属性（non-ordinal attr）

显然，闵可夫斯基距离可用于有序属性

VDM（Value difference Metric）

当样本属性为无序属性时，使用VDM距离。属性u上两个离散值a与b之间的VDM距离为
$$VD{M}_p(a,b)=\sum _{i=1}^k|\frac{m_{u,a,i}}{m_{u,a}}-\frac{m_{u,b,i}}{m_{u,a}}{|}^p$$

其中：

• $m_{u,a}$ 表示在属性u上取值为a的样本数
• $m_{u,a,i}$ 表示在第i个样本簇中在属性u上取值为a的样本数
• $k$为样本簇数

混合属性的距离计算

混合属性的距离计算可以将 闵可夫斯基距离 和 VDM 结合。

假定有$n_c$个有序属性，$n-n_c$个无序属性，令有序属性排列在无序属性之前，则
$$MinkovD{M}_p(x_i,x_j)={\left(\sum _{u=1}^{n_c}|x_{iu}-x_{ju}{|}^p+\sum _{u=u_c+1}^{n}VD{M}_p(x_{iu},x_{ju})\right)}^{\frac{1}{p}}$$

加权距离（weighted distance）

当样本空间中不同属性的重要性不同时，可使用加权距离
以加权闵可夫斯基距离为例：
$$dis{t}_{wmk}(x_i,x_j)={\left(w_1\cdot |x_{i1}-x_{j1}{|}^p+\cdots +w_n\cdot |x_{in}-x_{jn}{|}^p\right)}^{\frac{1}{p}}$$

其中：

权重 $w_i\ge 0(i=1,2,\cdots ,n)$ 表示不同属性的重要性，通常 ${\sum }_{i=1}^n{w}_i=1$.

最后

通常是基于某种形式的距离来定义“相似度度量”(similarity measure),距离越大，相似度越小。
然而，用于相似度度量的距离未必一定要满足距离度量的所有基本性质，尤其是直递性。
此时不满足某些性质的距离称为“非度量距离”(non-metric distance)

基于数据样本来确定合适的距离计算式，可通过距离度量学习（distance metric learning）来实现

---

博客内容是我个人的学习笔记, 由于水平有限, 肯定有不少错误或遗漏. 若发现, 欢迎留言告知, 谢谢!
另，欢迎邮件与我探讨交流Email：ice-melt@outlook.com