Etäisyysmittaukset ovat olennaisen tärkeitä välineitä valvomattomassa oppimisessa, jolloin algoritmit voivat arvioida datapisteiden välisiä yhtäläisyyksiä tai eroja. Ne vaikuttavat klusterointiin, dimensionaalisuuden vähentämiseen ja anomalian havaitsemiseen. Näiden toimenpiteiden laskenta- ja soveltamistapojen ymmärtäminen auttaa parantamaan koneoppimismallien tehokkuutta.

Yhteiset etätoimenpiteet

Useita etätoimenpiteitä käytetään laajasti valvomattomassa oppimisessa. Valinta riippuu tietotyypistä ja erityissovelluksesta.

  • Etäisyys:[ Laskee kahden pisteen välisen suoran etäisyyden avaruudessa.
  • Manhattanin etäisyys: [ Mittaa etäisyyden perusteella ruudukkomainen polkuja, summaamalla absoluuttisia eroja eri ulottuvuuksien.
  • Kosine Samankaltaisuus:[ Arvioi kahden vektorin välisen kulman kosine, mikä osoittaa niiden suuntayhtäläisyyden.
  • Jaccard Index:[ Mittaa samankaltaisuutta finite setit, hyödyllinen binääristen tai kategoristen tietojen.

Etäisyysmittareiden laskeminen

Laskelmat vaihtelevat mittauksen mukaan. Esimerkiksi Eukleideeninen etäisyys pisteiden ] ja ]B[ kanssa koordinaateilla (x[[]1[[]]], y[]1[[]]) ja x[[]2[[], y[[]][[[[]]])) on:

...............................................................................................................................................................................................................................................................

Muilla toimenpiteillä on omat kaavansa, joihin usein liittyy yhteenlaskuja tai piirteiden suhdelukuja.

Etäisyystoimenpiteiden soveltaminen

Etäisyysmittareita käytetään erilaisissa valvomattomissa oppimistehtävissä:

  • Klusteri:[ Algoritmit kuten K-merkit perustuvat etäisyyslaskelmiin, joissa ryhmitellään samankaltaisia tietopisteitä.
  • Hiukkasuusvähennys: T-SNE:n kaltaiset tekniikat käyttävät etäisyyksiä tietorakenteen säilyttämiseen alempina mitoina.
  • Anomaattinen havainto:[ tunnistaa poikkeavuudet, jotka perustuvat niiden etäisyyteen tyypillisistä tietoryhmistä.