LegközelebbKövetkező útmutató
A gépi tanulás alapjai
Alapok
Alapok ÚTMUTATÓ
A távolságmetrikák olyan matematikai függvények, amelyek számszerűsítik, hogy két adatpont mennyire hasonló vagy eltérő, és alapját képezik az olyan algoritmusoknak, mint a k-legközelebbi szomszéd és a klaszterezés.
Hallgassa meg ezt az útmutatótAI-narrált · ~3 min
A megfelelő metrika kiválasztása azért fontos, koska a különböző metrikák a hasonlóság különböző fogalmait feltételezik, és a rossz választás miatt egy egyébként jól megtervezett algoritmus gyengén teljesíthet.
A distance metric turns raw feature values into a single number representing how far apart two points are, which many algorithms rely on directly. Euclidean distance, the straight-line distance familiar from geometry, is a common choice in many introductory examples and works well when features are continuous, roughly on comparable scales, and the notion of similarity matches physical closeness. Manhattan distance, also called taxicab distance, sums the absolute differences along each dimension rather than taking the square root of squared differences; it suits grid-like movement constraints and is less sensitive to outliers in individual dimensions than Euclidean distance. Cosine distance measures orientation between nonzero vectors rather than their magnitudes, making it useful in some text and recommendation systems where a document or user profile's overall direction, such as topic balance, matters more than its raw length or intensity. Mahalanobis distance generalizes Euclidean distance by accounting for the correlations and differing variances between features, effectively normalizing the space so that features are compared fairly regardless of their original scale, which is useful in anomaly detection and multivariate outlier analysis. Hamming distance counts the number of positions at which two equal-length strings or categorical vectors differ, making it suited for categorical data, error-correcting codes, and genetic sequence comparison rather than continuous numeric data. A common misconception is that Euclidean distance is always the safe default; in high-dimensional spaces, all pairwise Euclidean distances tend to become similar, a phenomenon sometimes called the curse of dimensionality, which can make nearest-neighbor comparisons less informative; checking distance distributions and task performance can reveal when that matters.
A lakásárakat előrejelző k-legközelebbi szomszéd modell euklideszi távolságot használ alapterület, hálószobák száma és kor alapján, és minden numerikus különbséget egyenes vonalú távolságként kezel a jellemzőtérben.
Egy városi hálózaton alapuló kiszállítási útvonaltervező eszköz manhattani távolságot használ az euklideszi távolság helyett, mivel a járműveknek az utcák hálózata mentén kell közlekedniük, nem pedig egyenes vonalban, így a metrika igazodik a valós mozgási korláthoz.
A felhasználói preferenciavektorokat összehasonlító ajánlórendszer koszinusztávolságot használ az euklideszi távolság helyett, mivel a preferenciamminták irányával (például a műfajok egyensúlyával) törődik, nem pedig az értékelések nyers nagyságával.
A DNS-szekvenciák összehasonlító eszköze a Hamming-távolságot használja annak megszámolására, hogy hány pozícióban tér el egymástól két azonos hosszúságú genetikai szekvencia, mivel az adatok kategorikusak, nem pedig folytonosak.
A távolságmetrika kiválasztása továbbra is alapvető, nagymértékben stabil része a gépi tanulási gyakorlatnak, bár a tanult távolságmetrikák (amelyeket néha metrikatanulásnak is neveznek) továbbra is teret nyernek olyan speciális alkalmazásokban, mint az arcfelismerés, ahol egy neurális hálózat olyan beágyazási teret tanul, amelyben a betanítás után egy egyszerű távolság (gyakran a koszinusz vagy az euklideszi) értelmessé válik. Számíthatunk arra, hogy a távolságmetrikák a mély tanulás növekedése ellenére is relevánsak maradnak, mivel a legtöbb beágyazásalapú rendszer továbbra is a betanított reprezentációkra alkalmazott klasszikus távolságfüggvényre támaszkodik, ahelyett, hogy teljesen felváltaná a távolság fogalmát.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A távolságmetrikák olyan matematikai függvények, amelyek számszerűsítik, hogy két adatpont mennyire hasonló vagy eltérő, és alapját képezik az olyan algoritmusoknak, mint a k-legközelebbi szomszéd és a klaszterezés. A megfelelő metrika kiválasztása azért fontos, koska a különböző metrikák a hasonlóság különböző fogalmait feltételezik, és a rossz választás miatt egy egyébként jól megtervezett algoritmus gyengén teljesíthet.
A manhattani távolság a rács tengelyei mentén összegezi a különbségeket, ami igazodik ahhoz, ahogyan a járművek valójában mozognak a városi utcákon, az egyenes vonalú utak helyett.
A koszinusztávolság az irányt ragadja meg (például a műfajok egyensúlyát egy preferenciavektorban) a nyers nagyság helyett, ami illeszkedik az ajánlási felhasználási esetekhez.
A Mahalanobis-távolság a jellemzők kovarianciamátrixának inverzét használja, figyelembe véve a korrelációt és a skálabeli különbségeket, amelyeket az egyszerű euklideszi távolság figyelmen kívül hagy.
Az útmutató a Hamming-távolságot úgy írja le, hogy az azonos hosszúságú karakterláncok vagy kategorikus vektorok eltérő pozícióit számolja össze, ami illeszkedik a genetikai szekvenciák összehasonlításához.
A technikai rész megjegyzi, hogy a jellemzőket általában skálázni kell, jellemzően standardizálás útján, hogy a nagyobb tartományú jellemző ne dominálja a távolságszámítást.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
A gépi tanulás alapjai
Alapok