3、距离度量( 三 ) _实例

在机器学习中有许多距离度量方式，这篇文章很好的总结了各自距离度量方法。在目前已经阅读的论文中，最常见的距离公式为与。前者用于度量包间的距离，后者用于度量实例间的距离。在中使用了。
算法Graph
度量方式
豪斯多夫
欧氏
豪斯多夫
豪斯多夫
高斯
欧式距离计算公式：
d ( x , y ) = ∑ i = 1 n ( x i ? y i ) 2 d(x,y)=\sqrt{\sum_{i=1}^{n}(x_{i}-y_{i})^{2}} d(x,y)=i=1∑n?(xi??yi?)2?
豪斯多夫距离是基于欧式距离的，用于描述两个集合之间的相似程度，因此也适用于度量多示例学习中包间相似度。又分为：最小距离、平均距离、最大距离。选用哪一种通常是通过做实验后，找出性能最佳的一个作为最终的算法距离度量方式。
由于不同数据集包中的实例分布的不同，需要选择不同的距离度量方式。一般分为：1）数据相关型；2）数据不相关型。
1）数据相关型：指的是计算距离时需要依据其他对象来计算，公式一般为 d i s t a n c e ( A , B , 媒介 ) (A,B,媒介) (A,B,媒介)
2）数据不相关型：指的是直接计算距离而不需要其他对象作为媒介，如豪斯多夫距离，公式一般为 d i s t a n c e ( A , B ) (A, B) (A,B)
由于距离能够计算包与包的特征值之间的关系，而包的特征值往往能够代表这个包的类别、性质。对于不同的数据分布。这一切都与数据分布有关。可以通过对不同的算法试验不同的距离度量方式，找出最适合算法的距离。