度量是集合中两个元素之间的距离函数,将集合的两个元素映射到非负实数域,$f(x_1, x_2) \rightarrow R$.要满足:
最常见的度量发生在计算两个点之间的距离.也就是两个向量之间的距离.
数字型的数据最常用的度量包括:
闵可夫斯基距离(MinkowskiDistance)
闵氏距离不是一种距离,而是一组距离的定义。
$$ d = \sqrt[p] {\sum_{i=0}^n{|x_i-y_i|^p}} $$
根据变参数p的不同,闵氏距离可以表示一类的距离。
闵氏距离的特点:
闵氏距离是由向量自身位置所决定的,它最大的好处是与样本无关,因此两个向量无论他们在哪个样本中,相互距离是一定的.这样就不会受到样本干扰
闵氏距离的缺点:
我们一般不把向量作为线段了,而是用它的终点来表达它,这样两点离得越近自然就越是相似了,于是有了另一种常用的相似度量--欧几里得距离
它是p=2时的闵可夫斯基距离
欧几里得平方距离
也就是欧几里得距离的平方,一般用于减小运算压力
$$ d={\sum_{i=0}^n(x_i-y_i)^2} $$
曼哈顿距离,我们可以想象田字形道路两点的距离
同样是用于计算距离,像我们去某个地方一样,曼哈顿距离计算行进距离而不是直线距离,他的计算方式是这样:
$$ d = \sum_{i=1}^n |{x_i-y_i}| $$
它是p=1时的闵可夫斯基距离
切比雪夫距离(Chebyshev Distance)
在扩展一步,曼哈顿距离只能横走竖走,我们加上斜走,就像象棋里面将帅的走法一样,这种距离算法就是切比雪夫距离算法:
$$ d = max(|x_i-y_i|) $$
它是p=inf时的闵可夫斯基距离
最大距离,也就是无限范数诱导出的度量
$$ \vert \vec x - \vec y \vert_\infty = \max \limits_{i =1}^d \vert x_i-y_i \vert $$
马氏距离(Mahalanobis distance)
考虑到向量分量之间的关系,数学上用协方差矩阵表示 $$ d = \sqrt{ \{ \vec x - \vec y \}^T \times \Sigma^{-1} \times \{ \vec x - \vec y \} } \vert $$ 其中 $ \Sigma $为数据点所在的向量空间的分量之间的协方差矩阵.
与之相关的是余弦相似度(Cosine Similarity)
我们可以只要关注向量间的夹角,也就是通过向量点积和向量模积的比值求出向量夹角的余弦 $$ s = \frac {v1\dot v2}{\mod(v1) * \mod(v2)}$$
余弦相似度衡量的是维度间相对层面的差异它往往关注的是维度是否被用到,而对用了多少并不敏感
马氏距离度量的是长度,它只有远近之分.而余弦相似度是度量方向的,余弦相似度为1,你不可以说这两个向量一样,只能说他们是相似的,因为他们是同方向的.就好象(3,3)与(5,5).但是马氏距离度量的是长度,长度为0就可以认为他们是一样的.
P,Q是有共同事件空间的两个概率分布函数.
Helliger Distance
离散情况下,
$H^2(P,Q) = \frac{1}{2} \sum_i (\sqrt p_i - \sqrt q_i)^2 $
是一种对称的距离.
KLD(Kullback-Leibler Divergence)
离散情况下,
$D_{KL}(P||Q) = \sum_{i} p_i \log \frac{p_i}{q_i}$
从信息论的角度,KLD可以看成 真实分布为P时的P和Q的交叉熵 和 P的信息熵 之间的差.
JSD(Jensen-Shannon Divergence)
离散情况下,
$JSD(P||Q) = \frac{1}{2} D_{KL}(P||Q) + \frac{1}{2}D_{KL}(Q||P)$
JSD是一种基于KLD的,对称的距离,并且更一般地,JSD可以用于比较多个概率分布.
$JSD_{\pi_1, \pi_2, ...,\pi_n} (P_1,P_2,...,P_n) = H(\sum_i \pi_i * P_i) - \sum_i \pi_i * H(P_i)$
其中$H$为信息熵
对于文本或者非数字型的数据,一般我们会对这类数据先编码,将其编码为二进制数据,之后再计算编码间的距离.
最常见的编码方式是one-hot
编码,具体就是将可枚举的非数字型数据编译为长度为枚举长度,其他全0而对应值为1的一串编码.当然编码方式千千万,很多时候我们也会自行编码.关于编码器解码器,这是另一个话题了.以后有机会再说.
最常用的二进制编码度量包括:
汉明距离(Hamming distance)
其定义为:两个等长向量对应位置的不同字符的个数,也可以说是将其中一个变为另外一个所需要作的最小替换次数。
例如(1111)
与(1001)
之间的汉明距离为2。
汉明距离常用于信息编码(为了增强容错性,应使得编码间的最小汉明距离尽可能大).
莱温斯顿距离(Levenshtein distance)
两个编码从一个变到另一个需要的最少的操作数.允许的操作包括添加,删除和替换,比如(0111)
和(1110)
距离为2,即(1110)
头部添加0
,尾部删除0
实际上以上两种度量都不限于处理二进制编码,他们同样可以用来比较字符串或者各种序列.
好的度量选择往往是提高模型的效果的必要条件.实践过程中倍加注意.
本文的代码中有这些距离的实现,但更加推荐的是使用scipy的代码计算,scipy是一系列用于科学计算的c代码的python封装.运行效率更高而且经过大量使用,代码更加健壮.
scipy中计算向量距离的接口是scipy.spatial.distance.pdist(X, metric='euclidean', p=2, w=None, V=None, VI=None)
,其中
度量 | 说明 |
---|---|
braycurtis(u, v) | 计算两个一维数组的布雷-柯蒂斯距离 |
canberra(u, v) | 计算两个一维数组的堪培拉距离 |
chebyshev(u, v) | 切比雪夫距离 |
cityblock(u, v) | 曼哈顿距离 |
correlation(u, v) | 计算两个一维向量的相关距离 |
cosine(u, v) | 计算两个一维向量Cosine距离 |
euclidean(u, v) | 计算两个一维向量欧式距离 |
hamming(u, v) | 计算两个一维向量的汉明距离 |
mahalanobis(u, v, VI) | 计算两个一维向量的马氏距离 |
minkowski(u, v, p) | 计算两个一维向量的闵可夫斯基距离 |
seuclidean(u, v, V) | 计算标准化欧氏距离 |
jaccard(u, v) | 计算两个一维布尔向量的jaccard距离 |
sqeuclidean(u, v) | 计算欧氏平方距离 |
wminkowski(u, v, p, w) | 计算加权闵可夫斯基距离 |
yule(u, v) | 计算两个一维布尔向量的Yule dissimilarity |
sokalmichener(u, v) | 计算两个一维布尔向量的Sokal-Michener dissimilarity |
sokalsneath(u, v) | 计算两个一维布尔向量的Sokal-Sneath dissimilarity |
rogerstanimoto(u, v) | 计算两个一维布尔向量的Rogers-Tanimoto dissimilarity |
russellrao(u, v) | 计算两个一维布尔向量的Russell-Rao dissimilarity |
matching(u, v) | 计算两个一维布尔向量的Matching dissimilarity |
kulsinski(u, v) | 计算两个布尔型一维数组之间的kulsinski系数 |
dice(u, v) | 计算两个布尔型一维数组之间的Dice系数 |
In [1]:
from scipy.spatial.distance import pdist
In [2]:
X = [[1,2],[3,4]]
In [3]:
pdist(X, metric='euclidean')
Out[3]:
基于点和点之间的度量$d$,我们就可以规定集合A,B之间的距离.常用的有以下几种:
最大距离(Complete-linkage clustering)
$$ \max\{ d(a,b) : a \in A, b\in B \} $$
最小距离(Single-linkage clustering)
$$ \min\{ d(a,b) : a \in A, b\in B \}$$
平均距离(UPGMA)
$$ \frac {1} {n\times m} \sum \limits_ {a \in A, b\in B} d(a,b) \} $$ 其中$ n,m $分别是A,B聚类的基数,也就是包含的点的数量.
中点距离(UPGMC),$$ \vert d(C_A,C_B) \vert $$,其中$ C_A, C_B $分别是A,B的中点,也就是离中心最近的点
能量距离(Energy distance),$$ \frac {2} {n\times m} \sum \limits_ {a \in A, b\in B} \vert a-b\vert_2 - \frac{1}{n^2} \sum \limits_{a_i,a_j \in A} \vert a_i -a_j \vert_2 -\frac{1}{m^2} \sum \limits_{b_i,b_j \in B} \vert b_i -_j \vert_2 \}$$