摘要：實現(xiàn)參考鏈接計算各類距離關(guān)于機器學(xué)習(xí)距離的理解機器學(xué)習(xí)中的相似性度量如何通俗易懂地理解皮爾遜相關(guān)系數(shù)數(shù)學(xué)應(yīng)用

歐氏距離（也稱歐幾里得度量）指在m維空間中兩個點之間的真實距離，或者向量的自然長度（即該點到原點的距離）

$$dist(A,B)=sqrt{sum_{i=1}^n(A_i-B_i)^2}$$

在數(shù)據(jù)完整(無維度數(shù)據(jù)缺失)的情況下, 維度間的衡量單位是一致的, 否則需要標(biāo)準(zhǔn)化處理

import numpy as np


vec1 = np.array([1, 3, 4])
vec2 = np.array([4, 2, 4])

d = np.linalg.norm(vec1-vec2, ord=2)
# 或者
d = np.sqrt(np.sum(np.square(vec1-vec2)))

在歐幾里得空間的固定直角坐標(biāo)系上兩點所形成的線段對軸產(chǎn)生的投影的距離總和

$$dist(A,B)=sum_{i=1}^n|A_i-B_i|$$

在數(shù)據(jù)完整(無維度數(shù)據(jù)缺失)的情況下, 需要將空間劃分成網(wǎng)格, 然后以網(wǎng)格為單位來進(jìn)行度量, 允許4個方向

import numpy as np

vec1 = np.array([1, 3, 4])
vec2 = np.array([4, 2, 4])
 
d = np.linalg.norm(vec1-vec2, ord=1)
# 或者
d = np.sum(np.abs(vec1-vec2))

切比雪夫距離(Chebyshev distance)是向量空間中的一種度量，二個點之間的距離定義為其各座標(biāo)數(shù)值差的最大值

$$dist(A,B)=max_i|A_i-B_i|$$
or
$$dist(A,B)=lim_{p→infty}(sum_{i=1}^n|A_i-B_i|^p)^{frac{1}{p}}$$

需要將空間劃分成網(wǎng)格, 然后以網(wǎng)格為單位來進(jìn)行度量, 允許8個方向

import numpy as np

vec1 = np.array([1, 3, 4])
vec2 = np.array([4, 2, 4])

d = np.linalg.norm(vec1-vec2, ord=np.inf)
# 或者
d = np.abs(vec1-vec2).max()

歐氏空間中的一種測度，被看做是歐氏距離和曼哈頓距離的一種推廣

$$dist(A,B)=sqrt[p]{sum_{i=1}^n|A_i-B_i|^p}$$

當(dāng) $p=1$ 時，就是曼哈頓距離

當(dāng) $p=2$ 時，就是歐氏距離

當(dāng) $p→∞$ 時，就是切比雪夫距離

import numpy as np

vec1 = np.array([1, 3, 4])
vec2 = np.array([4, 2, 4])

"""
ord=1: 一范數(shù)
ord=2: 二范數(shù)
ord=np.inf: 無窮范數(shù)
"""
d = np.linalg.norm(vec1-vec2, ord=arg)

在信息論中，兩個等長字符串之間的漢明距離(Hamming distance)是兩個字符串對應(yīng)位置的不同字符的個數(shù)

$$dist(A,B)=sum_{i=0}^n{A[i]igoplus B[i]}$$

信息編碼(為了增強容錯性，應(yīng)使得編碼間的最小漢明距離盡可能大)

import numpy as np

vec1 = np.array([1, 1, 0, 1, 0, 1, 0, 0, 1])
vec2 = np.array([0, 1, 1, 0, 0, 0, 1, 1, 1])

d = len(np.nonzero(vec1-vec2)[0])
# 或者
d = np.shape(np.nonzero(vec1-vec2)[0])[0]

余弦相似度，又稱為余弦相似性，是通過計算兩個向量的夾角余弦值來評估他們的相似度

$$cos( heta)=cfrac{Acdot B}{|A||B|}$$
or
$$cos( heta)=cfrac{sum_{i=1}^nA_iB_i}{sqrt{sum_{i=1}^nA_i^2}sqrt{sum_{i=1}^nB_i^2}}$$

衡量兩個向量方向的差異

import numpy as np

vec1 = np.array([1, 3, 4])
vec2 = np.array([4, 2, 4])

d = np.dot(vec1,vec2)/(np.linalg.norm(vec1)*(np.linalg.norm(vec2)))

用于度量兩個變量之間的相關(guān)程度

$$P(A,B)=cfrac{sum_{i=1}^n(A_i-overline A)(B_i-overline B)}{sqrt{sum_{i=1}^n(A_i-overline A)^2sum_{i=1}^n(B_i-overline B)^2}}$$

反映兩個變量是正相關(guān)還是負(fù)相關(guān)

import numpy as np

vec1 = np.array([1, 3, 4])
vec2 = np.array([4, 2, 4])

p = np.corrcoef(vec1, vec2)

用于比較有限樣本集之間的相似性與差異性

$$J(A,B)=cfrac{|Aigcap B|}{|Aigcup B|}$$

$$J_delta(A,B)=1-J(A,B)=cfrac{|Aigcup B|-|Aigcap B|}{|Aigcup B|}$$

比較文本相似度，用于文本查重與去重；

計算對象間距離，用于數(shù)據(jù)聚類或衡量兩個集合的區(qū)分度等。

import numpy as np
import scipy.spatial.distance as dist

vec1 = np.array([1, 1, 0, 1, 0, 1, 0, 0, 1])
vec2 = np.array([0, 1, 1, 0, 0, 0, 1, 1, 1])

d = dist.pdist(np.array([vec1, vec2]), "jaccard")

參考鏈接

Python Numpy計算各類距離

關(guān)于機器學(xué)習(xí)距離的理解

機器學(xué)習(xí)中的相似性度量

如何通俗易懂地理解皮爾遜相關(guān)系數(shù)

GeoGebra 數(shù)學(xué)應(yīng)用