漫谈：机器学习中距离和相似性度量方法

最新推荐文章于 2025-11-30 21:17:09 发布
转载 最新推荐文章于 2025-11-30 21:17:09 发布 · 626 阅读 · 0
文章标签：

#机器学习

本文提供了一个指向数据联盟网站的具体链接, 但具体内容未给出。该链接可能包含了有关数据管理、数据分析等方面的内容。
http://dataunion.org/11710.html?comefrom=http://blogread.cn/news/
【机器学习】机器学习中的各种相似性、距离度量
ZhangPY的专栏
11-07 5226
【机器学习】机器学习中的各种相似性、距离度量标签（空格分隔）： 【机器学习】声明：引用请注明出处http://blog.youkuaiyun.com/lg1259156776/说明：主要参考了博文《漫谈机器学习中的距离和相似性度量方法》。具体的计算方法可以参看我的上一篇博文《【Matlab开发】matlab中bar绘图设置与各种距离度量》。本文主要关注点在于各个距离、相似度之间的优缺点，及使用时候的注意事项。1
《统计学习方法》学习笔记（4）--k近邻法及常用的距离（or 相似度）度量
蓁蓁尔的博客
07-20 5933
一、k近邻法基础知识 1. 特征空间中两个实例点的距离反应了两个实例点的相似程度。 2. k近邻模型三要素 = 距离度量（有不同的距离度量所确定的最邻近点不同）+k值的选择（应用中，k值一般取一个比较小的值，通常采用交叉验证法来确定最优k值）+分类决策规则（往往是多数表决规则（majority voting rule），此规则等价于经验风险最小化） 3. 在训练数据量太大
论文学习——基于XGBoost算法的多元水文时间序列趋势相似性挖掘
#仙女不扎马尾#的博客
06-18 1129
写在前面：《计算机科学》；中文核心期刊；月刊作者：丁武、马媛Similarity measure for multivariate time series based on dynamic time warping 这篇论文，提出了一种基于动态时间规整的相似度度量方法。Similarity measure for heterogenous multivariate time-series 这篇论文针对不满足“长度匹配”或“轴向拉伸”的时间序列相似度量问题，提出了一种基于最长公共子序列的度量法。 [7] 结合
衡量时间序列相似度的方法：从欧氏距离到DTW及其变种
Paper weekly
02-12 5974
©作者 | 黄春喜单位 | 香港科技大学研究方向 |智能交通摘要根据时间序列本身的不同特点，时间序列相似度的衡量（时间序列间距离的度量）存在多种方法。本文从欧氏距离出发，进一步延伸至 D...
相似性度量选择篇：判断选择哪种相似性作为度量合适
samoyan的博客,记录技术成长~
12-02 2182
需要结合你的数据进行评估，看看哪种相似性度量方式最适合你的数据集。常用的方法就是把数据集分成两份，一份作为训练数据，一份作为测试数据，然后在训练数据上使用本文中讲到的相似性度量方式分别计算结果，去和实际的测试数据进行比较，看效果来决定选择哪一种。
轨迹相似性度量方法
热门推荐
weixin_39910711的博客
10-28 2万+
1 轨迹 轨迹作为一种时空数据[1]，指的是某物体在空间中的移动路径，通常表示为GPS点的序列，例如tr=<p1→p2…pn>，其中点pi=(lat,lng,t)，表示该物体在t时刻位于地理坐标位置(lat,lng)上，lat和lng分别表示纬度和经度。 大数据时代，随着车载导航系统的普及，海量的轨迹数据正在源源不断的产生，这些轨迹中蕴含着巨大的价值[2]，例如可以进行交通流量分析和预测，为政府的城市规划提供建议；也可以进行轨迹聚类，发现那些被很多轨迹经过...
【学习总结】机器学习常用相似度和距离度量方式
Stephen_DC的博客
05-09 1061
（一）cosine similarity s(i,j)=ri⋅rj∥ri∥2⋅∥rj∥2s(i,j)=ri⋅rj‖ri‖2⋅‖rj‖2s(i,j)=\frac{r_{i}\cdot r_{j}}{\left \| r_{i} \right \|_{2}\cdot\left \| r_{j} \right \|_{2}} （二）pearson correlation s(u,v)=∑i∈Iu⋂...
远程监督关系抽取漫谈：结合知识图谱和图神经网络
Paper weekly
02-26 1950
远程监督关系抽取是一种用知识图谱去对齐朴素文本的标注方法，属于半监督学习算法，自然而然提取特征的时候就会出现很多噪声。比如两个实体之间还有别的关系或者是没有关系，这样的训练数据会对关系抽取...
机器学习周报二十四
weixin_60864619的博客
11-30 719
本周学习了潜在扩散模型的概念，潜在扩散模型的实现是很简单的，之后学习了变分自编码器(VAE)。同时解决了之前的RCNN目标检测的模型，但是效果很差。This week, I studied the concept of latent diffusion models. The implementation of latent diffusion models is quite simple. Afterwards, I learned about variational autoencoders (VAE)
【】模式识别与机器学习基础概念
hiliang521的博客
11-30 748
关键词：时空特征组合、向量表示、模式类、信息表征模式是模式识别领域的基础概念。广义地说，模式是指区别事物的时空特征组合，存在于时间和空间中可观察的物体，只要我们能够区别它们是否相同或相似，都可以称之为模式。从信息的角度来看，模式不是事物本身，而是从事物获得的信息。这种信息往往具有时间和空间的分布特性，比如个人的照片所包含的像素信息，歌曲旋律所体现的音阶变化，以及动物步态所反映的运动特征。这些信息通过特定的方式组织起来，形成了我们能够识别和区分的模式。在数学上，模式一般用向量来表示。
LDU机器学习大作业TCR-抗原结合预测
qq_52108058的博客
11-30 656
这是函数是从csv文件中加载训练数据和测试数据，从一个pickle文件加载节点的嵌入向量，转换成PyTorch Geometric 可以使用的图格式。细读data_processing.py发现给出的文件没有embeddings.pkl嵌入文件也没有配置yaml文件，并且还没有arg_parser.py参数文件。表示图中的所有相互作用（边）。与 edge_index 中的每条边一一对应，表示该相互作用的标签（0 或 1）(E)使用上面的脚本生成train.csv和val.csv的嵌入pkl文件。
AAAI-2013《Spectral Rotation versus K-Means in Spectral Clustering》
Christo的博客
11-30 461
这篇论文成功地将谱旋转技术应用于谱聚类，解决了传统K-Means在处理松弛谱向量时的偏差问题。通过引入正交旋转约束，方法在理论上保证了更好的连续-离散逼近，并在实验中证明了其在图割优化和聚类指标上的优越性。论文结构清晰：从谱聚类背景引入问题，推导优化算法，提供理论证明，并通过基准数据集验证。该工作强调了谱聚类后处理的的重要性，为后续研究（如自适应谱聚类）提供了基础。
Week 27: 机器学习补遗：XGBoost
MCHacker的专栏
11-30 449
本周继续回归经典机器学习领域，对XGBoost 进行了学习。本周重点推导了 XGBoost 基于二阶泰勒展开的目标函数，并结合时序预测场景进行学习。本周重新审视了 XGBoost 这一机器学习界的基本算法，通过手推公式和模拟代码，重新尝试理解传统机器学习算法在时序应用上的独特优越之处。在 接触多模态风控数据后，发现对于数值型和类别型密集的表格数据，Transformer等深度模型往往需要极其复杂的 Embedding 设计才能匹敌 XGBoost 的简单暴力。
11.1 高斯消元法的应用
passxgx的博客
11-26 755
高斯消元法实际应用
【第二十二周】机器学习笔记二十
最新发布
m0_54824389的博客
11-30 150
自监督学习在图像领域旨在让模型无需人工标注，直接从图像本身挖掘监督信息来学习有效的视觉特征。二是基于掩码重建的方法，通过随机遮盖图像的大部分区块，然后驱使模型根据剩余的可见上下文来预测被遮盖部分的像素或高级语义，以此训练模型掌握图像的结构与组成规律。课程从文本自监督基础框架出发，聚焦语音与影像数据的预训练方法，包括生成式建模、预测式学习与对比学习三大方向，并进一步介绍了无需负样本的Bootstrapping及正则化方法VICReg等新兴范式，充分体现了自监督技术在多模态场景下的强适应与泛化能力。
深度学习、机器学习、人工智能三者的关系
casually的博客
11-29 516
以上就是深度学习、机器学习、人工智能三者的关系。
【机器学习】21-22 机器学习系统开发流程 & 倾斜数据集
weixin_54010404的博客
11-30 436
本文摘要：文章介绍了机器学习开发流程的关键环节，包括迭代开发过程、错误分析方法、数据增强与合成技术、迁移学习的应用场景与策略。详细阐述了倾斜数据集下的评估指标（准确率、召回率、F1分数）及其权衡关系，并概述了完整机器学习项目的生命周期（从任务定义到部署监控）。特别强调了在数据不平衡情况下传统准确率的局限性，提出了使用精确率和召回率作为替代指标，并通过F1分数进行综合评估的方法。最后提及了机器学习项目中的伦理考量和数据偏见问题。
评论
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