一、欧几里德距离

欧几里德距离（Euclidean Distance）是机器学习中常见的相似度的计算方式。它被用来求两个向量间的距离，取值范围为0至正无穷。两个向量间的距离较小，两个向量越相似。欧几里德距离计算时默认对每一个维度给予相同的权重，如果某一维度较之其它维度而要取值范围差别很大，结果很容易被某个维度所决定。因此，可以使用加权欧几里德距离，给不同维度赋予不同权重。

欧几里德距离的计算公式如下，其中 $Xi$ 表示用户X对物品i的评价， $Yi$ 表示用户Y对物品i的评价：

现有数据集如下：

critics={

冯小刚: {复仇者联盟: 4.3,哈利波特: 1.1},

张艺谋: {复仇者联盟: 1.8,哈利波特: 3.2},

}

欧几里德距离以用户共同评价的物品为坐标轴，将参与评价的用户共同绘制到图中，以此考察彼此远近的方式。将上述数据集映射到偏好空间中，如图1-1所示：

二、余弦距离

余弦距离，也称余弦相似度。它用向量空间中两个向量夹角的余弦值度量两个个体间差异的大小。余弦距离不关心向量的长度，只关心向量的夹角余弦值。余弦距离的应用场景为文本分类时计算两篇文本之间的距离。

余弦距离比皮尔逊相关系数更加严格。对于皮尔逊相关系数而言，即便两个向量之间有夹角，只要其同升同降，那么皮尔逊相关系数就是1，即距离为0。而对于余弦距离而言，其距离是他们之间的夹角余弦值。通俗来说，皮尔逊相关系数只跟向量间是否同升同降有关，而余弦距离除了跟向量间是否同升同降有关系外，还跟向量间升降的程度有关。

余弦距离的计算公式如下：

表2-1中所示用户a对物品X的评价为5分，Y的评价为4分，Z的评价为1分，R的评价为5分。用户b对物品X的评价为4分，Y的评价为3分，Z的评价为1分，R的评价为未评分。用户c对物品X的评价为2分，对物品Y的评价为2分，对物品Z的评价为5分，对物品R的评价为1分。如果计算用户a和用户b的余弦距离，可以将a表示为a=（5，4，1），b表示为b=（4，3，1）。

表2-1 用户-物品评价
用户/物品	X	Y	Z	R
a	5	4	1	5
b	4	3	1	?
c	2	2	5	1

三、皮尔逊相关系数

皮尔逊相关系数（Pearson Correlation）是衡量向量相似度的一种方式。输出范围为-1到+1，其中0代表无相关性，负值代表负相关，正值代表正相关。皮尔逊相关系数在欧几里德距离上做出了优化，对向量的值做了中心化处理，即对两个向量中的所有维度都减去元素的平均值，中心化后所有维度的平均值基本为0；然后对中心化结果求余弦距离，但余弦距离的计算要求每个向量中所有的值都必须非空，若两个向量v1=(3,2,4)、v2=(-1,2,null)，则无法进行余弦距离计算的。皮尔逊相关系数把向量中所有null维度赋值为0，再对结果进行余弦计算。

皮尔逊相关系数的计算公式如下：

两个向量X、Y，计算出的皮尔逊相关系数含义做如下理解：

当相关系数为0时，X和Y两向量不相关
当X的值增大（减小），Y值减小（增大），X和Y两向量负相关，相关系数在-1.0到0.0之间。
当X的值增大（减小），Y值增大（减小），X和Y两向量正相关，相关系数在0.0到+1.0之间。

通常通过以下取值范围判断向量的相关程度：

0.8-1.0 极度相关
0.6-0.8 强相关
0.4-0.6 中等程度相关
0.2-0.4 弱相关
0.0-0.2 极弱相关或无相关

结论：皮尔逊相关系数既是欧几里德距离的升级，即它提供了对于变量取值范围不同的处理步骤，不同变量量纲上的差别在计算过程中去掉了；又是余弦相似度在维度值缺失情况下的一种改进。

皮尔逊相关系数（Pearson Correlation）相关推荐

ML之PPMCC：PPMCC皮尔逊相关系数(Pearson correlation coefficient)、Spearman相关系数的简介、案例应用之详细攻略
ML之PPMCC:PPMCC皮尔逊相关系数(Pearson correlation coefficient).Spearman相关系数的简介.案例应用之详细攻略目录 PPMCC皮尔逊相关系数的简介 ...
ML之FE：PCC皮尔逊相关系数(Pearson correlation coefficient)的简介、案例应用(与spearman相关系数对比及其代码实现)之详细攻略
ML之FE:PCC皮尔逊相关系数(Pearson correlation coefficient)的简介.案例应用(与spearman相关系数对比及其代码实现)之详细攻略目录 PCC/PPMCC皮尔 ...
皮尔逊相关系数 Pearson correlation coefficient
在统计学中,皮尔逊相关系数( Pearson correlation coefficient),又称皮尔逊积矩相关系数(Pearson product-moment correlation coeff ...
计算相关系数皮尔逊相关系数 Pearson、Spearman
数据探索计算相关系数为了更加准确地描述变量之间的线性相关程度,可以通过计算相关系统来进行相关分析. 在二元变量的相关分析过程中比较常用的有Pearson相关系数,Spearman秩相关系数和判定系 ...
Python--如何计算皮尔逊相关系数（Pearson correlation coefficient）
皮尔逊系数在统计学中,皮尔逊相关系数( Pearson correlation coefficient),又称皮尔逊积矩相关系数(Pearson product-moment correlation ...
机器学习笔记——皮尔逊相关系数
在学到相关性度量的时候,有一个系数用来度量相似性(距离),这个系数叫做皮尔逊系数,其实在统计学的时候就已经学过了,只是当时不知道还能用到机器学习中来,这更加让我觉得机器学习离不开统计学了. 皮尔逊相关 ...
rust(25)-皮尔逊相关系数
皮尔逊相关系数( Pearson correlation coefficient),又称皮尔逊积矩相关系数(Pearson product-moment correlation coefficient ...
相似度计算（2）——皮尔逊相关系数
皮尔逊相关系数一.定义皮尔逊相关系数( Pearson correlation coefficient,PC),又称皮尔逊积矩相关系数(Pearson product-moment corre ...
python怎么计算相关系数_Python三种方法计算皮尔逊相关系数
1.皮尔逊相关系数在统计学中,皮尔逊相关系数( Pearson correlation coefficient),又称皮尔逊积矩相关系数(Pearson product-moment correlat ...
MATLAB学习笔记皮尔逊相关系数和模板匹配
一.皮尔逊相关系数在统计学中,皮尔逊相关系数( Pearson correlation coefficient),又称皮尔逊积矩相关系数(Pearson product-moment correla ...

皮尔逊相关系数（Pearson Correlation）

一、欧几里德距离

二、余弦距离

三、皮尔逊相关系数

皮尔逊相关系数（Pearson Correlation）相关推荐

最新文章

热门文章