机器学习之距离计算
来源:互联网 发布:linux怎么退出vim 编辑:程序博客网 时间:2024/06/06 02:37
神经网络的输入模式向量的相似性测量可用向量之间的距离来衡量。常用的方法有欧氏距离法和余弦法两种。
(1)欧式距离法
设X,Xi为两向量,其间的欧式距离
d越小,X与Xi越接近,两者相似,当d=0,时,X=Xi,以d=T(常数)为依据,可对输入向量模式进行聚类分析:
(2)向量的欧式距离计算:
# coding=utf-8from numpy import *from numpy import linalgvector1 = mat([1, 2, 3])vector2 = mat([4, 5, 6])print sqrt((vector1 - vector2) * (vector1 - vector2).T) # 手动print linalg.norm(vector1 - vector2) # 库函数#结果分别为:[[ 5.19615242]] ,5.19615242271
(3)矩阵的欧式距离计算:
第一个矩阵为(m,n),第二个矩阵为:(k,p)
要想计算矩阵的欧式距离得到矩阵为(m,p)则n=k
from numpy import *from numpy import linalgmatA = mat([[1, 0]])matB = mat([[1,3,6], [0, 2,7]])def distEclud( matA, matB): ma, na = shape(matA); mb, nb = shape(matB); rtnmat = zeros((ma, nb)) for i in xrange(ma): for j in xrange(nb): rtnmat[i, j] = linalg.norm(matA[i, :] - matB[:, j].T) return rtnmatprint distEclud(matA,matB)#结果为:[[ 0. 2.82842712 8.60232527]]
(4)向量和矩阵的区别
矩阵是由m×n个数组成的一个m行n列的矩形表格.特别地,一个m×1矩阵也称为一个m维列向量;而一个1×n矩阵 ,也称为一个n维行向量.
依上定义可以看出:向量可以用矩阵表示,且有时特殊矩阵就是向量.
简言之就是矩阵包含向量.
机器学习距离计算总结:http://blog.csdn.net/xbinworld/article/details/43612603
阅读全文
1 0
- 机器学习之距离计算
- 机器学习之距离计算
- 机器学习距离计算
- 机器学习中的距离计算
- 机器学习 之 各种距离
- 机器学习中各种距离计算
- 机器学习中的各种距离计算公式
- 机器学习中各种距离计算
- 数据挖掘/机器学习 之 距离测度
- 【机器学习】【base】 之 距离函数
- 【转载】机器学习计算距离和相似度的方法
- 机器学习算法中几种常用距离计算的归纳
- 机器学习&&Hausdorff距离
- 机器学习中的距离
- 聚类分析之距离计算
- 机器学习之&&距离和相似度度量
- 机器学习之距离和相似性度量方法
- 系统学习机器学习之距离的度量(一)--常见距离
- mViewPager.setOffscreenPageLimit(1)
- Spring MVC框架搭建(一)
- 第五次作业
- C语言一级指针变量与一维数组
- 【Leetcode-Easy-121】Best Time to Buy and Sell Stock
- 机器学习之距离计算
- Android 动态更换图标
- 统一将gif格式的图片转换为gpj
- Codeforces Beta Round #8 C. Looking for Order CF8C
- OkHppt+banner
- IKM JAVA , SPRING, HIBERNATE_ANZ
- ZooKeeper安装 及 分布式搭建
- 不容易系列之一
- BZOJ 1113 [Poi2008]海报PLA 单调栈