Khoảng cách là những công cụ thiết yếu trong việc học không có giám sát, cho phép các thuật toán để đánh giá tương đồng hoặc khác biệt giữa điểm dữ liệu. chúng ảnh hưởng đến cụm, chiều giảm, và các tiến trình phát hiện bất thường. hiểu làm thế nào những biện pháp này được tính toán và áp dụng giúp cải thiện hiệu quả của mô hình học máy tính.

Khoảng cách chung

Một số biện pháp về khoảng cách được sử dụng rộng rãi trong việc học mà không giám sát. Sự lựa chọn phụ thuộc vào kiểu dữ liệu và ứng dụng cụ thể.

  • Khoảng cách Euclidean tính toán khoảng cách thẳng giữa hai điểm trong không gian.
  • Khoảng cách Manhattan: đo khoảng cách dựa trên các đường lưới, đường cong tuyệt đối khác nhau trong các chiều.
  • Độ tương đồng giảm nhỏ cô sin góc giữa hai véc tơ, cho thấy sự tương đồng về hướng.
  • Chỉ mục Jaccard: đo tương tự giữa các bộ hữu hạn, hữu ích cho dữ liệu nhị phân hoặc phân loại.

Tính toán khoảng cách

Tính toán khác nhau tùy theo thước đo. Chẳng hạn, cơ chế của Euclid ở khoảng cách a ) và ) ) ) [FLT:] và [x[FLT:] [FL8] [x[FLT:] [FLT] [FLT], [FLT] [FL:] [FLT]] [FL:] [FLT]] [FT]] [FT]] [FLT]] [FT]] [FL:] [FT:]] [10] [10]] [L:]] [L:]] [10]]] [L:]] [L: 1 [L:]]]

[x ]2 - x ) ) [FLT:] + [FLT:] [L:] [L:] [L:] [FL:] [FL:] [FL:]] [FL: 10] [FL] [L:]] [L: 10] [L]] [L:]] [L] [L:]] [L] [L]] [L]] [L:]] [L]] [L]]

Những biện pháp khác thì có công thức riêng, thường liên quan đến tổng hợp hoặc tỷ lệ tính năng.

Những ứng dụng đo khoảng cách

Khoảng cách được dùng trong các nhiệm vụ học tập không có giám sát:

  • Clution: Algrithm như K-means phụ thuộc vào tính toán khoảng cách để nhóm dữ liệu tương tự.
  • Giảm thiểu độ nhạy:) các kỹ thuật như t-SNE sử dụng khoảng cách để bảo tồn cấu trúc dữ liệu trong chiều không gian thấp hơn.
  • Phát hiện vô tuyến: ) Nhận ra những dấu hiệu khác nhau dựa trên khoảng cách từ các cụm dữ liệu điển hình.