Distance And Dissimilarity

最新推荐文章于 2021-07-23 14:39:51 发布
原创 最新推荐文章于 2021-07-23 14:39:51 发布 · 346 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#python #matlab #ui

Distance And Dissimilarity

 

本文收集的用来描述空间距离的公式。注意有些并不能称为是Distance，因其不满足欧式空间的不等式特性；但是这些公式在某些程度上也描述了空间中向量的差异性，所以被称为是Dissimilarity。本文暂不区分Distance和Dissimilarity，统一用Distance看待，方便描述；各位看官心中要有这些区分。

 

对于空间向量U和V，其中U=[u1,u2,...ui,...un].T，V=[v1,v2,...vi,...vn].T，U和V是空间n维向量，T表示转置为列向量。U和V的Distance可以有如下表示方法，各个方法的侧重点是不一样的；如何选择合适的Distance，就看各位的功力了。

braycurtis: the Bray-Curtis distance.

 

canberra: the Canberra distance.

 

chebyshev: the Chebyshev distance.

 

cityblock: the Manhattan distance.

 

correlation: the Correlation distance.

 

cosine: the Cosine distance.

 

dice: the Dice dissimilarity.

 

euclidean: the Euclidean distance.

 

hamming: the Hamming distance.

 

jaccard: the Jaccard distance.

 

kulsinski: the Kulsinski distance.

 

mahalanobis: the Mahalanobis distance.

 

matching: the matching dissimilarity.

 

minkowski: the Minkowski distance.

 

rogerstanimoto: the Rogers-Tanimoto dissimilarity.

 

russellrao: the Russell-Rao dissimilarity.

 

sokalmichener: the Sokal-Michener dissimilarity.

 

sokalsneath: the Sokal-Sneath dissimilarity.

 

sqeuclidean: the squared Euclidean distance.

 

yule: the Yule dissimilarity.

 

解释：

Cff：表示U和V在相同维度上的值都是False的个数

Cft：表示U和V在相同维度上的值分别为False、True的个数

Ctt：表示U和V在相同维度上的值都是True的个数

Ctf：表示U和V在相同维度上的值分别为True、False的个数

上面的这四个数值的输入向量应该为True或者False，如果不为True、False类型的话，就需要转换一下才能使用到相关度量。

 

上面提到的Distance度量有些很常见，如chebyshev、Cityblock、euclidean、cosine等，有些Distance度量则是显得专业了许多。不过这些Distanced度量都是从某种程度上对Vector的相似性进行衡量，如果使用到某种度量，对于公式又不熟的话，可以查询下。更为细节的Distance度量的场景使用，则还需要根据具体的业务来决定。

 

 上面提到的这些Distance度量在专业的数学工具里都有实现，如matlab、R等，我这里提供一个scipy的实现，http://docs.scipy.org/doc/scipy-dev/reference/spatial.distance.html#module-scipy.spatial.distance，大家可以看下。实际上对于上面的Distance提到的公式，相信实现对于各位来说也不是问题。

 

Scipy教程 - 距离计算库scipy.spatial.distance
chuange6363的博客
08-14 2774
http://blog.youkuaiyun.com/pipisorry/article/details/48814183 在scipy.spatial中最重要的模块应该就是距离计算模块distance了。 from scipy import spatial 距离计算 矩阵距离计算函数 ...
Log Book — Guide to Distance Measuring Approaches for K- Means Clustering
平平淡淡，戒急用忍，一生学闭嘴。
05-11 583
In this guide I have tried to cover the different types and features of distances that can be used in K-Means Clustering Let’s begin with a brief introduction of clustering. Clustering is the task of dividing the data points into a number of groups such th
时序数据相似度距离衡量- DTW距离
UESTC Like
07-23 5031
时序数据相似度距离衡量- DTW距离DTW (Dynamic Distace Warpping) 距离DTW简介Java实现DTW距离 DTW (Dynamic Distace Warpping) 距离 传统基于范数距离 （e…g, 欧式距离，曼哈顿距离） 的序列相似度比较面临两个很大的问题： 不能处理两个长度不一的序列 会产生local time shifting问题， 即由于序列的采样率不同或序列的产生频率不同，两条意义相同的序列可能会有很大的范数距离。这是由于在此方法下，序列只能够一一匹配。 比如两
机器学习中的相似性度量
gonxi的专栏
05-26 2228
 <br />　　在做分类时常常需要估算不同样本之间的相似性度量(Similarity Measurement)，这时通常采用的方法就是计算样本间的“距离”(Distance)。采用什么样的方法计算距离是很讲究，甚至关系到分类的正确与否。<br />　　本文的目的就是对常用的相似性度量作一个总结。<br /><br /><br />本文目录：<br />1. 欧氏距离<br />2. 曼哈顿距离<br />3. 切比雪夫距离<br />4. 闵可夫斯基距离<br />5. 标准化欧氏距离<br />6. 马
机器学习领域几种距离度量方法metric详解
Yanir的博客
06-08 9169
对scipy.spatial.distance.pdist
距离的度量（Dissimilarity Measure、Distance Metric）
03-14 5408
0. ℓ1\ell_1 距离d1(I1,I2)=∑p|Ip1−Ip2| d_1(I_1,I_2)=\sum_{p}|I_1^p-I_2^p| 比如比较两幅图像之间的距离： 1. Minkowski Distance（闵式距离）D=(∑i=1d|xi−yi|p)1p D=\left ( \sum_{i=1}^d|x_i-y_i|^p\right )^{\frac 1p}（1）适用于数值型数据
聚类算法中不同数据类型dissimilarity matrix 计算
Enochzhu的博客
11-18 5763
目录 一、聚类的基本数据结构 二、不同数据类型的相异度计算方法 （一）区间标度变量 （二）二元变量 （三）标称变量 （四）顺序变量 （五）比例标度型变量 （六）混合类型 三、R相异（似）度计算总结   一、聚类的基本数据结构 假设要聚类的数据集合包含 n 个数据对象，这些数据对象可能表示人，房子，文档，国家等。许多基于内存的聚类算法选择如下两种有代表性的数据结构...
wasserstein distance python
07-27
The Wasserstein distance, also known as the Earth Mover's distance, is a measure of the dissimilarity between two probability distributions. In Python, you can compute the Wasserstein distance using ...
L2-norm distance
09-14
The L2-norm distance is commonly used in various fields, such as machine learning, data analysis, and computer vision, to measure the similarity or dissimilarity between data points.
Metric learning. The choice of a suitable metric is crucial for the design of a successful pattern recognition system. The literature on the subject is there fore substantial. Some existing similarity measures are hand crafted (e.g., [7,8]). Alternatively, there is growing interest in methods which apply learning tech niques to t similarity measures and metrics to available training data (see [9] for a comprehensive study). Most common to these techniques is the learning of a projection matrix from the data so that the Euclidean distance can perform better in the new subspace. Learning such a matrix is equivalent to learning a Mahalanobis distance in the original space. The Relevant Component Analysis (RCA) method of Bar-Hillel et al. [10] is one such example. They learn a full rank Mahalanobis metric by using equiva lence constraints on the training elements. Goldberger et al. [11] described the Neighborhood Component Analysis (NCA) approach for k-NN classi cation. NCA works by learning a Mahalanobis distance minimizing the leave-one-out cross-validation error of the k-NN classi er on a training set. Another method, designed for clustering by [12], also learns a Mahalanobis distance metric, here using semi-de nite programming. Their method attempts to minimize the sum of squared distances between examples of the same label, while preventing the distances between di erently labeled examples from falling below a lower bound. In [13] a Large Margin Nearest Neighbor (LMNN) method was proposed, which employed semi-de nite learning to obtain a Mahalanobis distance metric for which any collection of k-nearest neighbors always has the same class label. Additionally, elements with di erent labels were separated by large margins. The Information Theoretic Metric Learning (ITML) approach of Davis et al. [14] solves a Bregmans optimization problem [15] to learn a Mahalanobis distance function. The result is a fast algorithm, capable of regularization by a known prior matrix, and is applicable under di erent types of constraints, includ ing similarity, dissimilarity and pair-wise constraints. The Online Algorithm for Scalable Image Similarity (OASIS) [16] was proposed for online metric learning for sparse, high-dimensional elements. Unlike the previously mentioned approaches, the recent method of Nguyen and Bai [17] attempts to learn a cosine similarity, rather than learning a metric for the Euclidean distance. This was shown to be particularly e ective for pair matching of face images on the Labeled Faces in the Wild (LFW) benchmark [1, 18]. Similarities employing background information. The rst similarity mea sure in a recent line of work, designed to utilize background-information, is the One-Shot-Similarity (OSS) of [3,2]. Given two vectors I and J, their OSS score is computed by considering a training set of background sample vectors N. This set of vectors contains examples of items di erent from both I and J, but are otherwise unlabeled. We review the OSS score in detail in Sec. 2.1. This OSS has been shown to be key in amplifying performance on the LFW data set. Here, we extend the OSS approach by deriving a metric learning scheme for emphasizing the separation between same and not-same vectors when compared using the OSS
最新发布
09-26
- **OASIS（Online and Active Similarity - based Instance Selection）**：OASIS是一种在线和主动的度量学习方法，它在学习过程中能够动态地选择有价值的样本进行学习，减少了计算量和存储需求。该方法适用于大...
常用距离计算与定义
songying0528的博客
11-15 2640
常用距离计算与定义–学习笔记 目录 1.数值向量距离 布雷柯蒂斯相异度（Bray-Curtis distance） 坎贝拉距离（Canberra distance） 切比雪夫距离（Chebyshev distance） 曼哈顿距离（Manhattan／cityblock distance） 相关系数距离（Correlation distance） 余弦相似度距离（Cosine distance） 欧氏距离（Euclidean distance） JS散度距离（Jensen-Shannon distance）
距离度量的多种方法
MobtgZhang的博客
07-03 4502
距离度量的多种方法1.距离的定义2.各种不同种类的距离2.1 常见的距离表达2.1.1 欧式(euclidean)距离(2-范数)2.1.2 标准化欧氏距离2.1.3 曼哈顿(Manhattan)距离(1-范数)2.1.4 切比雪夫(Chebyshev)距离(∞\infty∞-范数)2.1.5 闵可夫斯基(minkowski)距离(p-范数)2.1.6 马氏(mahalanobis)距离2.1.7 余弦距离2.1.8 布雷柯蒂斯(Bray-Curtis)距离2.1.9 堪培拉(Canberra)距离2.2
数据挖掘 第二篇：基于距离评估数据的相似性和相异性
悦光阴的博客
08-24 1917
聚类分析根据对象之间的相异程度，把对象分成多个簇，簇是数据对象的集合，聚类分析使得同一个簇中的对象相似，而与其他簇中的对象相异。相似性和相异性(dissimilarity)是根据数据对象的属性值评估的，通常涉及到距离度量。相似性(similarity)和相异性(dissimilarity)是负相关的，统称为临近性(proximity)。 在聚类分析中，聚类算法的第一步都是度量数据集对象之间的距离...
python distance_Python - scipy.spatial.distance 距离计算函数
weixin_39538847的博客
12-06 5510
scipy.spatial 模块提供了距离计算模块 - scipy.spatial.distance.1. 距离度量函数两个向量 u 和 v 间的距离度量函数. 输入参数 u 和 v 分别都是 n-dim 的向量，也可以是 (1, n)-dim 的(计算时会自动 squeeze 去掉维度为 1 的维度). 如果维度大于 1， 则出错.1.1. 距离函数列表(数值)两个数值向量 u 和 v 间的距离...
Cluster Analysis：聚类分析
Coding、Learning and Sharing
03-01 1432
Cluster Analysis：聚类分析   Cluster analysis或者Clustering的任务是将对象集合分组，使其成为由类似的对象组成的多个类别的过程。Cluster分组的依据是对象数据的自身信息和对象数据之间的关系；分组目标是将当前Cluster中的数据跟其他簇中的数据最大程度上的区别开来。簇内的相似度越高，组件的差异性越大，分簇的效果越好。 聚类分析的目标就是在相似...
Clustering：Model-Based Algorithm
Coding、Learning and Sharing
03-13 1312
Clustering：Model-Based Algorithm   我们在前面学习过的Clustering算法模型有： 基于划分(Partitioning)：K-Means及其扩展算法 基于层次(Hierarchical)：Hierarchical Cluster算法 这两类算法能够在大多数常规数据空间中运行良好，但是其缺点也是比较明显。数据本身的特性，如欧式空间限制、初始值限制等...
Regression：Linear Regression Analysis
Coding、Learning and Sharing
03-23 615
Regression：Linear Regression Analysis   这次我们来学习线性回归模型(Linear Regression Model)，线性回归是一种简单的停机模型。最简单直观的概念就是输入X和输出Y为线性关系；尽管关系简单，但是对于后来的学习非常重要。我们前面已经学习过基本概念，有输入数据X，输出数据Y，待估计变量W，则线性模型可以表示为：  其中的误差表示符...
Cluster：Hierarchical Clustering
Coding、Learning and Sharing
03-07 529
Cluster：Hierarchical Clustering   上次学习了K-Means算法之后，本次继续学习另外一种Clustering算法：Hierarchical Clustering算法。Hierarchical Clustering分簇技术在Clustering方法中也是很重要的，其历史比较久远，和K-means一样。尽管如此，这两种算法仍然广泛使用，算是Clustering...
Decision Tree：CART、剪枝
Coding、Learning and Sharing
04-13 516
Decision Tree：CART、剪枝   决策树的重要性和入门可以参考前面两篇文章，尤其是入门的ID3算法： http://isilic.iteye.com/blog/1841339、http://isilic.iteye.com/blog/1844097 Classification And Regression Tree(CART)也是决策树的一种，并且是非常重要的决策树。除...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值