【机器学习】4. 相似性比较(二值化数据)与相关度(correlation)

SMC

Simple Matching Coefficient 评估两组二进制数组相似性的参数

SMC = (f11 + f00) / (f01+f10+f11+f00)

其中,f11表示两组都为1的组合个数,f10表示第一组为1,第二组为0的组合个数。

这样做会有一个缺点,假设是比较稀疏的数据,如今天去哪一个地区,地区有成千上万个,但是去的只有一个地区。那么就会导致f00非常的大,如此计算的结果SMC必然很大,但是能够代表两组数据高度相关吗?这并不合理。

Jaccard

由于SMC不适配某些场景,Jaccard应运而生。

Jaccard剔除了f00,从而避免了f00过大导致的数值偏差。

J = f11 / (f01 + f10 + f11)

Cosine

  • 适用于二值化数据,也适用于非二值化数据。
  • 广泛用于文档的分类
    c o s ( A , B ) = A ∗ B ∣ ∣ A ∣ ∣ ∣ ∣ B ∣ ∣ cos(A,B) = \frac{A * B}{||A|| ||B||} cos(A,B)=∣∣A∣∣∣∣B∣∣A∗B
    ||A|| L2范式,即上一节讲的欧氏距离

A = [1 , 2, 3]

B = [4, 5, 6]

A*B = 1 * 4 + 2 * 5 + 3 * 6

||A|| = sqrt (1 * 1 + 2 * 2 + 3 * 3)

||B|| = sqrt (4 * 4 + 5 * 5 + 6 * 6)

0°相关

90°不相关

离的远则不相似,贴得近则相似

Correlation

c o r r ( X , Y ) = c o v a r ( x , y ) s t d ( x ) s t d ( y ) corr(X,Y) = \frac{covar(x,y)}{std(x)std(y)} corr(X,Y)=std(x)std(y)covar(x,y)
c o v a r ( x , y ) = 1 n − 1 ∑ k = 1 n ( x k − m e a n ( x ) ) ( y k − m e a n ( y ) ) covar(x,y) = \frac{1}{n-1}\sum^n_{k=1}(x_k - mean(x))(y_k - mean(y)) covar(x,y)=n−11k=1∑n(xk−mean(x))(yk−mean(y))
s t d ( x ) = ∑ k = 1 n ( x k − m e a n ( x ) ) 2 n − 1 std(x) = \sqrt{\frac{\sum^n_{k=1}(x_k - mean(x))^2}{n-1}} std(x)=n−1∑k=1n(xk−mean(x))2

  • mean: 均值
  • 范围[-1,1] -1是负相关, 0 是不相关, 1 是正相关
相关推荐
Jamence7 分钟前
多模态大语言模型arxiv论文略读(一)
人工智能·深度学习·语言模型
KangkangLoveNLP10 分钟前
手动实现一个迷你Llama:使用SentencePiece实现自己的tokenizer
人工智能·深度学习·学习·算法·transformer·llama
独好紫罗兰14 分钟前
洛谷题单3-P1420 最长连号-python-流程图重构
开发语言·python·算法
kingmax5421200818 分钟前
深入解析:使用Python爬取Bilibili视频
开发语言·python·音视频
程序员一诺33 分钟前
【Flask开发】嘿马文学web完整flask项目第1篇:简介【附代码文档】
后端·python·flask·框架
Aerkui38 分钟前
Python列表(List)深度解析
开发语言·python
Bruce_Liuxiaowei40 分钟前
基于Flask的MBA考生成绩查询系统设计与实现
后端·python·flask
啊阿狸不会拉杆41 分钟前
第二十章:Python-Matplotlib库实现函数可视化
开发语言·python·matplotlib
jndingxin43 分钟前
OpenCV 图形API(14)用于执行矩阵(或图像)与一个标量值的逐元素乘法操作函数mulC()
人工智能·opencv
浪里小妖龙1 小时前
网络爬虫的基础知识
python