距离测量是无监督学习中不可或缺的工具,可以使算法评价数据点之间的相似或差异。它们影响集群、维度降低和异常检测过程。 了解如何计算和应用这些措施有助于提高机器学习模型的有效性。

共同远程措施

几种距离测量法在无监督的学习中被广泛使用,选择取决于数据类型和具体的应用.

  • 欧几利得距离:计算空间中两个点之间的直线距离.
  • 曼哈顿距离: 基于网格状路径测量距离,相互间相互的绝对差异.
  • 余弦相似性:[评价两个矢量之间角度的余弦,表示其方向相似性.
  • 贾卡指数: 测量有限数据组之间的相似性,用于二进制或绝对数据.

远程措施的计算

计算因计量不同而异。例如,欧洲利得点之间[A和B]坐标(x1],y1]]和(x2],y2))的坐标为:

⁇ ((x2 ] - 1]] ]2 ]+(y]2 - y1 ] ]2 ]))).

其他措施有自己的公式,往往涉及综合或特征比率。

远程措施的适用

远程测量用于各种不受监督的学习任务:

  • 分类:[] K-意指的算法依靠距离计算来组类似数据点.
  • 稀释性: t-SNE等技术使用距离来保存低维的数据结构.
  • 异常检测:根据它们与典型数据集群的距离,识别出值.