相似性度量与距离
分类时常需要估算不同样本之间的 相似性度量 (Similarity Measurement)，这时通常采用的方法就是计算样本间的 “距离” (Distance)。采用什么方法计算距离很讲究，甚至关系到分类的正确与否。
1. 欧几里得距离 Euclidean Distance
两点形成的 直线的距离
欧氏距离
X = [0, 0; 1, 0; 0, 2]; % A,B,C 三点距离比较顺序 (A,B) (A,C) (B,C)
D = pdist(X, 'euclidean'); % 1.0000 2.0000 2.2361
2. 曼哈顿距离 Manhattan/Cityblock Distance
两点所形成的线段 对轴产生的投影的距离总和。
城市街区距离。
坐标（x1, y1）的点 P1 与坐标（x2, y2）的点 P2 的曼哈顿距离为：
曼哈顿距离
X = [0, 0; 1, 0; 0, 2]; % A,B,C 三点距离比较顺序 (A,B) (A,C) (B,C)
D = pdist(X, 'cityblock'); % 1 2 3
3. 切比雪夫距离 Chebyshev Distance
两点的 各坐标数值差的最大值。
maximum coordinate difference 最大的坐标轴差异。
(x1,y1) 和 (x2,y2) 的切比雪夫距离为 max(|x2-x1|,|y2-y1|)。
切比雪夫距离
X = [0, 0; 1, 0; 0, 2]; % A,B,C 三点距离比较顺序 (A,B) (A,C) (B,C)
D = pdist(X, 'chebychev'); % 1 2 2
4. 闵可夫斯基距离 Minkowski Distance
闵氏距离不是一种距离，而是一组距离的定义。
欧式距离和曼哈顿距离的推广，p 是可变参数。
闵氏距离
其中 p 是可变参数。
- 当 p = 1 时，曼哈顿距离
- 当 p = 2 时，欧氏距离
- 当 p→∞ 时，切比雪夫距离
X = [0, 0; 1, 0; 0, 2]; % A,B,C 三点距离比较顺序 (A,B) (A,C) (B,C)
D = pdist(X, 'minkowski'); % 默认p=2，为欧式距离
D1 = pdist(X, 'minkowski', 1); % p=1，曼哈顿距离
D2 = pdist(X, 'minkowski', 2); % p=2，欧式距离
D3 = pdist(X, 'minkowski', 3); % p=3，闵3距离
D99 = pdist(X, 'minkowski', 99); % p=99，闵99距离
disp(D); % 1.0000 2.0000 2.2361
disp(D1); % 1 2 3
disp(D2); % 1.0000 2.0000 2.2361
disp(D3); % 1.0000 2.0000 2.0801
disp(D99); % 1 2 2 (接近切比雪夫)
5. 标准化欧氏距离 Standardized Euclidean distance
标准化欧氏距离先将 各个分量 都 “标准化” 到均值、方差相等。
因为欧式距离中不同分量可能是不同的量纲，不能“相同看待”（闵式距离的缺点）
解决 各分量的 数据量纲差别大的问题，类比过拟合。
分量标准化，m 均值，s 标准差
标准化公式
两个 n 维向量：a(x11, x12, … , x1n) 与 b(x21, x22, … , x2n)
标准化欧氏距离
公式解释：
k = 1，x11, x21 这组分量求出 m1, s1，然后用标准化公式得到 第1维 的标准化向量；
k = 2，x12, x22 这组分量求出 m2, s2，然后用标准化公式得到 第2维 的标准化向量；
相当于，把各个分量的值都限制在 [-1, 1]。
标准化后，各分量的期望和方差都相同，m = 0，s = 1。
X = [0, 0; 1, 0; 0, 2]; % A,B,C 三点距离比较顺序 (A,B) (A,C) (B,C)
D = pdist(X, 'seuclidean'); % 默认采用 实际标准差
D1 = pdist(X, 'seuclidean', [0.5, 1]); % 自定义标准差
D2 = pdist(X, 'seuclidean', std(X, 0, 1)); % 使自定义标准差 = 实际标准差
disp(D) % 1.7321 1.7321 2.4495
disp(D1) % 2.0000 2.0000 2.8284
disp(D2) % 1.7321 1.7321 2.4495
6. 马哈拉诺比斯距离 Mahalanobis Distance
马氏距离 表示数据的 协方差距离，其考虑到各种特性之间的联系。
协方差，排除变量之间的相关性干扰。
设 M 个样本向量 X1 ~ Xm，协方差矩阵记为 S，均值记为向量 μ。
则其中样本向量 X 到 μ 的马氏距离为：
X 到 μ 的马氏距离
其中向量 Xi 与 Xj 间的马氏距离为：
Xi 与 Xj 间的马氏距离
若协方差矩阵是单位矩阵（各个样本向量之间独立同分布）,则公式就成了：
S = 1
即为欧氏距离。
若协方差矩阵是 对角矩阵，公式变成了标准化欧氏距离。
X = [1 2; 1 3; 2 2; 3 1]; % A,B,C,D四点，(A,B)(A,C)(A,D)(B,C)(B,D)(C,D)
D = pdist(X,'mahalanobis'); % 2.3452 2.0000 2.3452 1.2247 2.4495 1.2247
7. 夹角余弦
几何中夹角余弦可用来衡量 两个向量方向的差异，
机器学习中借用这一概念来衡量样本向量之间的差异。
向量方向差异：[-1, 1]
① 二维空间中向量 A(x1,y1) 与向量 B(x2,y2) 的夹角余弦公式：
二维夹角
② n 维样本点 a(x11,x12,…,x1n) 和 b(x21,x22,…,x2n)：
n 维夹角
X = [1 0; 1 1.732; -1 0]; % A,B,C三点 (A,B)(A,C)(B,C)
D = pdist(X, 'cosine'); % matlab中该函数求得结果其实是 1 - cos(θ)
disp(D); % 0.5000 2.0000 1.5000
disp(1-D); % 0.5000 -1.0000 -0.5000 得到cos(θ)
8. 汉明距离
① 两个等长字符串 s1 与 s2 之间的 汉明距离 定义为 将其中一个变为另外一个所需要作的最小替换次数。例如字符串“1111”与“1001”之间的汉明距离为2。
一个字符串 s1 变化为另一个字符串 s2 需要的最小替换次数。
应用：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）
② Matlab Hamming distance, percentage of coordinates that differ
X = [1 0; 1 1.732; -1 0]; % A,B,C三点 (A,B)(A,C)(B,C)
D = pdist(X, 'hamming'); % 0.5000 0.5000 1.0000
9. 杰卡德距离/杰卡德相似系数 Jaccard similarity coefficient
① 杰卡德相似系数：两个集合 A 和 B 的交集元素在 A，B 的并集中所占的比例，称为两个集合的杰卡德相似系数，用符号 J(A,B) 表示。
杰卡德相似系数
杰卡德相似系数是 衡量两个集合相似度 的一种指标。
杰卡德相似系数：集合 ∩ / ∪
② 杰卡德距离与杰卡德相似系数相反：
杰卡德距离
杰卡德相似系数：1 - 集合 ∩ / ∪
用两个集合中不同元素占所有元素的比例 来 衡量两个集合的区分度。
③ Matlab Jaccard Distance, percentage of nonzero coordinates that differ
非零的坐标轴 数值不同 所占的比例。
X = [1 1 0; 1 -1 0; -1 1 0]; % (A,B)1/2 (A,C)1/2 (B,C)2/2
D = pdist(X, 'jaccard'); % 0.5000 0.5000 1.0000
X = [1 1 1; 1 2 1; 1 2 2]; % (A,B)1/3 (A,C)2/3 (B,C)1/3
D = pdist(X, 'jaccard'); % 0.3333 0.6667 0.3333
10. 相关系数/相关距离 Correlation Coefficient / Distance
① 相关系数的定义：
相关系数
相关系数是 衡量随机变量 X 与 Y 相关程度 的一种方法，相关系数的取值范围是[-1,1]。
相关系数的绝对值越大，则表明 X 与 Y 相关度越高。
当 X 与 Y 线性相关时，相关系数取值为 1（正线性相关）或 -1（负线性相关）
② 相关距离的定义：
相关距离
X = [1 2 3 4 ; 3 8 7 6];
C = corrcoef(X'); % 返回相关系数矩阵
% 1.0000 0.4781
% 0.4781 1.0000
D = pdist(X, 'correlation'); % 0.5219
% 0.4781就是相关系数，0.5219是相关距离
网友评论