機(jī)器學(xué)習(xí)中距離與相似度度量-免費(fèi)閱讀
【正文】 b: bamp。 皮爾森相關(guān)系數(shù) 上面是總體相關(guān)系數(shù)，估算樣本的協(xié)方差和標(biāo)準(zhǔn)差，可得到樣本相關(guān)系數(shù) (樣本皮爾遜系數(shù) )，常用英文小寫字母 r 代表： 缺點(diǎn)： 1. 未考慮重疊記錄項(xiàng)的數(shù)量對相似度的影響 上表中，行表示用戶（ 1～ 5）對項(xiàng)目（ 101～ 103）的一些評分值。當(dāng)然，歐氏距離能夠體現(xiàn)個體數(shù)值特征的絕對差異，一般用于需要從維度的數(shù)值大小中體現(xiàn)差異的相關(guān)度分析。 這只，皮靴，號碼，大了。 余弦相似度 舉個簡單栗子 ： 句子 A： 這只皮靴號碼大了。 歸一化（區(qū)間縮放） ：基于邊界值（最大值，最小值），將值的區(qū)間縮放到某個特點(diǎn)的范圍，如 [0,1] 特點(diǎn)： 對不同特征維度進(jìn)行伸縮變換 改變原始數(shù)據(jù)的分布。 2. 沒有考慮各個分量的分布（期望，方差等 )可能是不同的。 歐式距離相似度算法需要保證各個維度指標(biāo)在相同的刻度級別 ，比如對身高、體重兩個單位不同的指標(biāo)使用歐氏距離可能使結(jié)果失效。 歐式距離 曼哈頓距離來源于城市區(qū)塊距離，是將多個維度上的距離進(jìn)行求和后的結(jié)果 曼哈頓距離 切比雪夫距離（ Chebyshev distance）是向量空間中的一種度量，二個點(diǎn)之間的距離定義為其 各坐標(biāo)數(shù)值差的最大值 。 引入標(biāo)準(zhǔn)化歐式距離的原因是一個數(shù)據(jù) xi的各個維度之間的尺度不一樣。使各個特征維度對目標(biāo)函數(shù)的影響權(quán)重是一致的） 對目標(biāo)函數(shù)的影響體現(xiàn)在數(shù)值上 把有量綱表達(dá)式變?yōu)闊o量綱表達(dá)式 。那只號碼合適 句子 B： 這只皮靴號碼不小，那只更合適 怎樣計算上面兩句話的相似程度？ 基本思路 ：如果這兩句話的用詞越相似，它們的內(nèi)容就應(yīng)該越相似。那只，合適，不，小，很 第三步，計算詞頻。 補(bǔ)充：歐式距離和余弦相似度 調(diào)整余弦相似度 (Adjusted Cosine Similarity) 雖然余弦相似度對個體間存在的偏見可以進(jìn)行一定的修正，但是因?yàn)橹荒芊直?個體在維之間 的差異，沒法衡量 每個維數(shù)值的差異 ，會導(dǎo)致這樣一個情況： 比如用
規(guī)章制度相關(guān)推薦
鄂ICP備17016276號-1