（相似度、邻近及聚类）Similarity, Neighbors, and Clusters

主要内容：

1. 相似度（Similarity） （can be used for classification and regression）
2. 距离函数（Distance Function）
3. Nearest - Neighbor
4. Hierarchical Clustering
5. K-Mean

——————————————————————————————————

width="800" height="830" src="http://www.infocaptor.com/bubble-my-page?size=800&mode=embed&url=http://blog.youkuaiyun.com/u014135091/article/details/48157375" frameborder="0" scrolling="no">

（一）相似度

相似度是很多数据科学方法和商业解决方案的基础。如果对象之间相似，那么它们共享着很多其他的属性。利用相似度我们可以对事物进行归类，并在此基础上做出各种决策。以下是几个例子：

 

• 寻找与优质客户相似的客户
• 对用户进行分类
• 推荐系统
• 医学和法律中，依据相似案例来解决问题

 

将分析的对象数据化之后，我们便可以引进距离函数来衡量对象之间的相似程度。利用对象之间的距离我们便可以对对象空间进行划分，进而得到不同的组别。

 

Note：

对象属性数据化时会有Heterogeneous Attributes

主要是 Numeric  和 Categorical  两大类

其中Numeric 型数据需要注意的是数据的Scale 和 Range

 

（二）距离函数

• L1-norm（曼哈顿距离）

• L2-norm（欧拉距离）

• Jaccard distance（将两个对象看成集合，运用集合运算、集合中元素数量来构造）

• Cosine distance  （余弦函数距离，可以忽略向量大小）[ignore differences in scale]

• edit distance

用于度量两个字符串之间的差异

例如：【1113 Bleaker St. 】 【113 Bleecker St.