【相似性度量中用到的一些距离函数】

最新推荐文章于 2025-04-02 23:26:25 发布
最新推荐文章于 2025-04-02 23:26:25 发布
阅读量2.1k 收藏 3
点赞数
分类专栏： 机器学习 面经 NLP 文章标签： 经验分享
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。
本文链接：https://blog.youkuaiyun.com/weixin_45134475/article/details/123855717
版权

文章目录

1.欧氏距离（欧几里得距离 Euclidean Distance）

在这里插入图片描述
最常见的距离度量，即欧几里得距离。它是一种距离度量，直观解释为连接两点的线段的长度。
公式：
在这里插入图片描述
缺点
虽然它是一种常见的距离度量，但欧几里德距离不是尺度不变的，这意味着计算的距离可能会根据要素的单位而发生偏斜。通常，在使用此距离度量之前需要对数据进行归一化。

此外，随着数据维度的增加，欧几里得距离变得越来越没有用，另外高维下距离非常不直观。

用例

低维数据并且向量的大小对于测量很重要时，欧几里德距离效果很好。

2.余弦相似度 Cosine Similarity

在这里插入图片描述
余弦相似度经常被用作解决高维欧几里得距离问题。余弦相似度只是两个向量之间夹角的余弦。如果将向量归一化为长度为 1，则它也具有相同的向量内积。

两个方向完全相同的向量的余弦

最低0.47元/天 解锁文章
常见的距离函数总结
CurryCoder的个人博客
08-01 3352
1.距离函数总结 闵可夫斯基距离：给定样本x→i=(xi,1,xi,2,⋯ ,xi,n)T\overrightarrow{\mathbf{x}}_{i}=\left(x_{i, 1}, x_{i, 2}, \cdots, x_{i, n}\right)^{T}xi​=(xi,1​,xi,2​,⋯,xi,n​)T,x→j=(xj,1,xj,2,⋯&ThinSpa...
ElasticSearch相似性度量
qq_29579431的博客
01-13 1977
默认情况下，Elasticsearch根据相关性评分(_score)对匹配的搜索结果进行排序，相关性评分衡量每个文档与查询的匹配程度。虽然每种查询类型可以计算不同的相关性得分，但得分计算也取决于查询子句是在查询还是过滤器上下文中运行。 ...
机器学习中的各种距离
极度视界
12-29 7961
在做分类时常常需要估算不同样本之间的相似性(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。 本文的目的就是对常用的相似性度量作一个总结。 本文目录： 1. 欧氏距离 2. 曼哈顿距离 3. 切比雪夫距离 4. 闵可夫斯基距离 5. 标准化欧
距离量度函数
anpiaoqin8799的博客
07-19 375
设三个坐标分别为p（x1,y1,z1）、q(x2,y2,z2)、r(x3,y3,z3)，距离量度函数d需要满足一下几个条件：（1）d(p,q)≥0（当且仅当p=q时，有d（p,q）=0）；距离大于零（2）d(p,q)=d(q,p);距离没有方向性；（3）d（p,r）≤d(p,q)+d(q,r);两点之间直线最短。城区距离 d(p,r)=|xp-xr|+|yp-yr|;棋盘距离 d(p,r...
距离度量(距离函数)
weixin_37805181的博客
08-11 1557
2.联合熵 H(X,Y)=−∑x∑yp(x,y)log⁡p(x,y) H(X,Y)=-\sum_{x}{\sum_{y}{p(x,y)\log{p(x,y)}}} H(X,Y)=−x∑​y∑​p(x,y)logp(x,y)3.条件熵 H(Y∣X)=−∑x∑yp(x,y)log⁡p(y∣x) H(Y|X)=-\sum_{x}{\sum_{y}{p(x,y)\log{p(y|x)}}} H(Y∣X)=−x∑​y∑​p(x,y)logp(y∣x)4.互信熵：（信息增益） I(X,Y)=∑x,yp(x,y)log⁡
相似性度量中的十一个距离函数
知至
09-11 2263
1. 欧氏距离(Euclidean Distance) 欧氏空间中两点间的距离公式。 空间上两点(x1,x2,...xn)(x1,x2,...xn)(x_1,x_2,...x_n)与(y1,y2,...,yn)(y1,y2,...,yn)(y_1,y_2,...,y_n)间的欧氏距离： d=∑ni=1(xi−yi)2−−−−−−−−−−−−√d=∑i=1n(xi−yi)2d=\sqrt{\s...
【机器学习】机器学习中用到的高等数学知识-5. 函数空间和泛函分析 (Functional Analysis)
IT古董
11-15 1293
函数的 连续性 和 可微性 是分析和优化模型的重要数学性质，在机器学习中，这些概念帮助我们评估模型的学习能力和泛化能力。希尔伯特空间 和 巴拿赫空间 是泛函分析中的两个重要概念，它们描述了不同的向量空间结构，特别是定义了这些空间中的向量之间的距离和角度。
NLP高频面试题（三十一）——多模态预训练模型的主要结构、特征对齐与融合方法及对比损失函数详解
最新发布
WeLearnNLP
04-02 2245
多模态预训练模型通过创新的架构设计和训练策略，在跨模态理解和表示学习上取得了显著进展。从单塔到双塔，从编码器-解码器混合到图结构模型，研究者们探索了不同的模态融合途径；配合显式与隐式对齐手段以及有效的对比学习损失，当前的多模态模型已经能够在图文检索、视觉问答、图像描述生成等任务上接近甚至超越专门的有监督模型。可以说，多模态预训练成为了继NLP和CV单模态预训练之后的又一个AI热点领域。模型规模与泛化：与单模态的大型预训练模型类似，多模态模型的参数规模和训练数据规模在迅速增长。
Deep metric learning 深度度量学习 总结
supergxt的博客
06-23 7153
最近的工作用是深度度量学习的改进，这里将DML进行一个总结。 根据个人的理解，开篇用一句话介绍一下度量学习： “不同于分类学习，度量学习是通过学习数据之间的相似性程度来获得一个更有意义或者说更具可分性的特征空间。” Traditional metric learning 核心目的： 1 通过一个optimal的距离度量来判断样本之间的相似性 2 减小相似样本之间的距离，增加不相似样本之间的距离 限制条件：往往利用的的是线性映射，导致很难解决实际问题中的non-linear问题。（当然大部分传统方法都会遇到这
距离度量函数整理
06-03
总结了常用的距离度量方法，实用性强，很值得收藏
衡量两个概率分布的距离（KL散度、JS距离）评价两个变量的相似度MALTAB代码
05-15
衡量两个概率分布P(x);Q(x) 的距离 包括 Kullback–Leibler divergence和Jensen–Shannon divergence
相似性度量
03-01 3642
在模式识别、计算机视觉等多个领域，都会涉及到相似性的度量这一问题，用来衡量不同对象间的差异性（距离）或相似性（相似度）。这里的对象可以是网页，图像，也可以是文本，集合，但最终在数学上都可以表示为向量或者向量的集合。对于不同大小的向量集合的相似性度量问题，这里先不展开讨论。对于相同长度的向量大小的度量，这里假设两个向量为x，y，他们分别为n维的向量X=(x1,...,xn)，Y=(y1,...,yn
模式识别-计算模式相似性的函数-计算样本间相似度量函数-计算各种距离的函数
CTaaaaa的博客
11-20 393
整理各种计算样本间相似度量函数，也就是计算各种距离的函数。
度量函数
dataastron的博客
06-25 978
select a, (2 /(1 + exp(-(count()) ) ) -1) as b from table group by a order by count() desc;
相似性度量（距离度量）方法（一）：基本种类与公式
热门推荐
weixin_60737527的博客
04-20 3万+
相似性度量（或距离度量）方法在多元统计中的聚类分析、判别分析中的距离判别法、泛函分析、机器学习等方面都有应用。所以对于数据分析、机器学习等方面，掌握相似性的不同度量方法是十分重要且必要的。 相似性度量与距离度量本质上是同一件事情。如果两组数据之间的距离越大，那么相似性越小；反正，如果相似性越大，那么距离越小，这是可以直观理解的。 但是距离度量与相似度量还是有一点点区别的。距离度量，一般情况下距离是大于0的数；而相似性或相异性通常数值介于[0,1]之间。相似性与相异性统称为邻近度。 对于相似性的度量，首
常见的相似性度量方法
Swift's Blog
09-14 704
有如下几种计算相似性方法：more。
向量欧氏距离 &点积 & 余弦相似度 & 余弦距离
xiedelong的博客
11-04 3856
向量 A = (x1, y1)，向量 B = (x2, y2) 向量欧式距离： 向量点积： 向量的模： 向量归一化：向量除以模长，也就是 A / |A| 向量余弦相似度：也相当于向量归一化后的点积 A*B / |A| * |B| == A / |A| * B / |B| 向量余弦距离：用1减去余弦相似度 1 - cos(A, B)。余弦距离的取值范围为[0,2] 归一化后的向量的余弦距离和欧氏距离是等价的，参考： https://blog.youkuaiyun.com/liuweiyuxiang/article/d
数据科学中常见的9种距离度量方法（包括曼哈顿距离、欧氏距离、半正矢距离等）
学习日常记录
08-28 1067
数据科学中常见的9种距离度量方法（包括曼哈顿距离、欧氏距离、半正矢距离等） 1、欧氏距离（Euclidean Distance） 2、余弦相似度（Cosine Similarity） 3、汉明距离（Hamming Distance） 4、曼哈顿距离（Manhattan Distance） 5、切比雪夫距离（Chebyshev Distance） 6、闵氏距离（Minkowski） 7、雅卡尔指数（Jaccard Index） 8、半正矢（Haversine） 9、Sørensen-Dice 系数 详见链接
常用的相似度计算方法----欧式距离、曼哈顿距离、马氏距离、余弦、汉明距离、切比雪夫距离、闵可夫斯基距离、马氏距离
cumtchw
09-07 1万+
在深度学习以及图像搜索中，经常要对特征值进行比对，得到特征的相似度，常见的特征值比对方法有汉明距离、余弦距离、欧式距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、马氏距离等，下面对各种比对方法分别进行介绍。 1汉明距离 汉明距离/Hamming Distance也能用来计算两个向量的相似度；即通过比较向量每一位是否相同，若不同则汉明距离加1，这样得到汉明距离。向量相似度越高，对应的汉明距离越小。如10001001和10110001有3位不同。 2余弦相似度 余弦相似度是利用两个向量之间的夹角的余弦值
高斯核函数解析与实操演示
高斯过程的核心思想是用概率分布来描述函数集合，而高斯核函数是这种模型中用以衡量不同数据点之间相似性（或者说关联性）的重要工具。高斯过程的核心在于使用了协方差函数（或核函数）来捕捉数据点之间的依赖关系。...
评论 1
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