机器学习中的相似性度量!
? ?????? 看不出两个公式是等价的?提示一下:试试用放缩法和夹逼法则来证明。 (3)Matlab计算切比雪夫距离 例子:计算向量(0,2)两两间的切比雪夫距离 X = [0 0 ; 1 0 ; 0 2] D = pdist(X,'chebychev') 结果: D = ???? 1???? 2???? 2 ? 4. 闵可夫斯基距离(Minkowski Distance) 闵氏距离不是一种距离,而是一组距离的定义。 (1) 闵氏距离的定义 ?????? 两个n维变量a(x11,x2n)间的闵可夫斯基距离定义为: ? 其中p是一个变参数。 当p=1时,就是曼哈顿距离 当p=2时,就是欧氏距离 当p→∞时,就是切比雪夫距离 ?????? 根据变参数的不同,闵氏距离可以表示一类的距离。 (2)闵氏距离的缺点 闵氏距离,包括曼哈顿距离、欧氏距离和切比雪夫距离都存在明显的缺点。 举个例子:二维样本(身高,体重),其中身高范围是150~190,体重范围是50~60,有三个样本:a(180,50),b(190,50),c(180,60)。那么a与b之间的闵氏距离(无论是曼哈顿距离、欧氏距离或切比雪夫距离)等于a与c之间的闵氏距离,但是身高的10cm真的等价于体重的10kg么?因此用闵氏距离来衡量这些样本间的相似度很有问题。 ?????? 简单说来,闵氏距离的缺点主要有两个:(1)将各个分量的量纲(scale),也就是“单位”当作相同的看待了。(2)没有考虑各个分量的分布(期望,方差等)可能是不同的。 (3)Matlab计算闵氏距离 例子:计算向量(0,2)两两间的闵氏距离(以变参数为2的欧氏距离为例) X = [0 0 ; 1 0 ; 0 2] D = pdist(X,'minkowski',2) 结果: D = ??? 1.0000??? 2.0000??? 2.2361 5. 标准化欧氏距离 (Standardized Euclidean distance ) (1)标准欧氏距离的定义 (编辑:网站开发网_马鞍山站长网) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |