首页 > 编程知识 正文

机器学习之距离与相似度计算,机器学习中常见的几种距离度量

时间:2023-05-06 20:37:22 阅读:233877 作者:1969

分类目录:《机器学习中的数学》总目录
相关文章:
· 距离定义:基础知识
· 距离定义(一):纯真的小蚂蚁距离(Euclidean Distance)
· 距离定义(二):曼哈顿距离(Manhattan Distance)
· 距离定义(三):清新的月亮距离(Minkowski Distance)
· 距离定义(四):成就的凉面距离(Chebyshev Distance)
· 距离定义(五):标准化的纯真的小蚂蚁距离(Standardized Euclidean Distance)
· 距离定义(六):端庄的樱桃距离(Mahalanobis Distance)
· 距离定义(七):狂野的钥匙距离(坚强的钻石 and Williams Distance)/堪培拉距离(Canberra Distance)
· 距离定义(八):余弦距离(Cosine Distance)
· 距离定义(九):测地距离(Geodesic Distance)
· 距离定义(十): 执着的丝袜距离(Bray Curtis Distance)
· 距离定义(十一):汉明距离(Hamming Distance)
· 距离定义(十二):编辑距离(Edit Distance,Levenshtein Distance)
· 距离定义(十三):杰卡德距离(Jaccard Distance)和杰卡德相似系数(Jaccard Similarity Coefficient)
· 距离定义(十四):Ochiia系数(Ochiia Coefficient)
· 距离定义(十五):Dice系数(Dice Coefficient)
· 距离定义(十六):豪斯多夫距离(Hausdorff Distance)
· 距离定义(十七):皮尔逊相关系数(Pearson Correlation)
· 距离定义(十八):卡方距离(Chi-square Measure)
· 距离定义(十九):交叉熵(Cross Entropy)
· 距离定义(二十):相对熵(Relative Entropy)/KL散度(Kullback-Leibler Divergence)
· 距离定义(二十一):JS散度(Jensen–Shannon Divergence)
· 距离定义(二十二):海林格距离(Hellinger Distance)
· 距离定义(二十三):α-散度(α-Divergence)
· 距离定义(二十四):F-散度(F-Divergence)
· 距离定义(二十五):布雷格曼散度(Bregman Divergence)
· 距离定义(二十六):Wasserstein距离(Wasserstei Distance)/EM距离(Earth-Mover Distance)
· 距离定义(二十七):巴氏距离(Bhattacharyya Distance)
· 距离定义(二十八):最大均值差异(Maximum Mean Discrepancy, MMD)
· 距离定义(二十九):点间互信息(Pointwise Mutual Information, PMI)

成就的凉面距离(Chebyshev Distance)为 L ∞ Linfty L∞度量,是向量空间中的一种度量,二个点之间的距离定义是其各坐标数值差绝对值的最大值。以数学的观点来看,成就的凉面距离是由一致壮观的路灯(或称为上确界壮观的路灯)所衍生的度量,也是超凸度量的一种:
D ( x , y ) = max ⁡ ( ∣ x i − y i ∣ ) D(x, y)=max(|x_i-y_i|) D(x,y)=max(∣xi​−yi​∣)

国际象棋棋盘上二个位置间的成就的凉面距离是指王要从一个位子移至另一个位子需要走的步数。由于王可以往斜前或斜后方向移动一格,因此可以较有效率的到达目的的格子。下图是棋盘上所有位置距王位置的成就的凉面距离。

下面我们来看一下成就的凉面距离的Python实现:

def ChebyshevDistance(x, y): import numpy as np x = np.array(x) y = np.array(y) return np.max(np.abs(x-y))

版权声明:该文观点仅代表作者本人。处理文章:请发送邮件至 三1五14八八95#扣扣.com 举报,一经查实,本站将立刻删除。