metric learning -- 马氏距离与欧氏距离
一 基本概念
方差:(variance)是在概率论和统计方差衡量随机变量或一组数据时离散程度的度量。概率论中方差用来度量随机变量和其数学期望(即均值)之间的偏离程度。统计中的方差(样本方差)是每个样本值与全体样本值的平均数之差的平方值的平均数。在许多实际问题中,研究方差即偏离程度有着重要意义。
协方差:标准差与方差是描述一维数据的,当存在多维数据时,我们通常需要知道每个维数的变量中间是否存在关联。协方差就是衡量多维数据集中,变量之间相关性的统计量。比如说,一个人的身高与他的体重的关系,这就需要用协方差来衡量。如果两个变量之间的协方差为正值,则这两个变量之间存在正相关,若为负值,则为负相关。
二 马氏距离
马氏距离是由印度统计学家马哈拉诺比斯(P. C. Mahalanobis)提出的,表示数据的协方差距离。
协方差矩阵,当变量多了,超过两个变量了。那么,就用协方差矩阵来衡量这么多变量之间的相关性。假设 X 是以 n 个随机变数(其中的每个随机变数是也是一个向量,当然是一个行向量)组成的列向量:
马氏距离:它是一种有效的计算两个未知样本集的相似度的方法。与欧氏距离不同的是它考虑到各种特性之间的联系(例如:一条关于身高的信息会带来一条关于体重的信息,因为两者是有关联的)并且是尺度无关的(scale-invariant),即独立于测量尺度。
将马氏距离用于人脸识别时,x是预测出的数值,μ是期望(标签)。人脸图像大小为200*200时,那么x应该是200*200大小的,相应地,协方差矩阵也时一个大矩阵的,而Dm(x)则是标量。
而欧氏距离用于人脸识别,,x是预测出的额值,μ是期望(标签)。人脸图像大小为200*200时,那么X也是200*200的,但是输出σ2也是标量。
knn中,使用马氏距离比使用欧式距离好,为什么?
knn中,使用马氏距离,则协方差矩阵是训练集的协方差矩阵。d=(x-y)‘R^-1(x-y)
使用欧式距离d = (x-y)’(x-y)
不同之处在于马氏距离,多乘一个R^-1,从而得到的距离必然与欧氏距离不同。而给x分类的关键局势距离的大小,选择合适的距离度量是大事。
但说到底,都是计算两个距离,然后使用投票方式,选出x的标签。
http://blog.csdn.net/zb1165048017/article/details/48579743
转载于:https://www.cnblogs.com/mengmengmiaomiao/p/7597533.html
metric learning -- 马氏距离与欧氏距离相关推荐
- 目标跟踪:Deepsort--卡尔曼滤波、匈牙利匹配、马氏距离、欧氏距离、级联匹配、reid
本篇文章供自己学习回顾,其中错误希望指出! 先把目标跟踪中涉及到的名词抛出来: 1.卡尔曼滤波. 2.匈牙利匹配:https://blog.csdn.net/DeepCBW/article/detai ...
- 马氏距离 vs 欧氏距离
欧氏距离定义: 欧氏距离( Euclidean distance)是一个通常采用的距离定义,它是在m维空间中两个点之间的真实距离. 在二维和三维空间中的欧式距离的就是两点之间的距离,二维的公式是 d ...
- [机器学习-概念] 什么是欧式距离、标准化欧式距离、马氏距离、余弦距离
1.欧式距离(Euclidean Distance) 欧式距离源自N维欧氏空间中两点x1,x2x_1,x_2x1,x2间的距离公式: 2.标准化欧式距离(Standardized Euclidea ...
- 马氏距离(Mahalanobis Distance)介绍与实例
本文介绍马氏距离(Mahalanobis Distance),通过本文,你将了解到马氏距离的含义.马氏距离与欧式距离的比较以及一个通过马氏距离进行异常检测的例子(基于Python的sklearn包). ...
- 直观理解--马氏距离
首先我们很了解欧氏距离了,就是用来计算欧式空间(就是我们常见的坐标系)中两个点的距离的. 比如点 x = ( x 1 , - , x n ) x = (x_1,-,x_n) x=(x1,-,xn) ...
- 马氏距离和欧式距离详解
一般在机器学习模型中会涉及到衡量两个样本间的距离,如聚类.KNN,K-means等,使用的距离为欧式距离.其实,除了欧氏距离之外,还有很多的距离计算标准,本文主要介绍欧氏距离和马氏距离. 欧氏距离 最 ...
- 欧式距离、标准化欧式距离、马氏距离、余弦距离
目录 欧氏距离 标准化欧氏距离 马氏距离 夹角余弦距离 汉明距离 曼哈顿(Manhattan)距离 1.欧式距离 欧式距离源自N维欧氏空间中两点x1,x2x1,x2间的距离公式: 2.标准化欧式距离 ...
- 欧氏距离和马氏距离简介
欧氏距离和马氏距离简介 By:Yang Liu 1.欧氏距离 在数学中,欧几里得距离或欧几里得度量是欧几里得空间中两点间"普通"(即直线)距离.欧几里得度量(euclidean m ...
- 欧氏距离 vs 马氏距离
欧氏距离定义: 欧氏距离( Euclidean distance)是一个通常采用的距离定义,它是在m维空间中两个点之间的真实距离. 在二维和三维空间中的欧式距离的就是两点之间的距离,二维的公式是 d ...
最新文章
- 讲解JS的promise,这篇是专业认真的!
- Python中if __name__ == ‘__main__‘:的作用和原理(自用笔记)
- python中回文设计_Python中的回文递归
- 杭电find the night
- Dist类系列(一):根据字典的key值、value值进行排序
- Flink SQL Client读Kafka+流计算(DDL方式+代碼嵌入DDL/SQL方式)
- 【Git】Git解决文件本地更改的合并覆盖错误
- 微服务之springCloud-docker-feign配置(五)
- 单片机ADC采样算法----限幅消抖滤波法
- C项目案例实践(0)-语言基础
- MongoDB启动失败: 此应用无法在你的电脑上运行
- volume image
- VS2017的内存分析
- Controller数据导出Excel 详细教程
- MT-考试座位-颜色排序
- 计算机最小的计量单位,计算机中最小的计量单位是
- 手风琴 html 左边,Layui手风琴左边的符号如何修改
- Raspberry Pi 4 树莓派4 支持操作系统
- 罗克韦尔自动化和PTC为由PTC支持的FactoryTalk InnovationSuite™添加行业首创的增强功能,用于简化和加速数字化转型
- 如何解决win11“无法枚举容器中的对象,访问被拒绝”、“右键新建只有文件夹,没有其他选项”的问题。
热门文章
- 【CodeForces - 144B 】Meeting (暴力枚举,水题,计算几何)
- 【HDU - 1754】I Hate It (线段树模板 单点覆盖更新+区间最大值查询)
- 【HDU - 5688 】Problem D(STL+map)
- 【HDU - 1031 】Design T-Shirt(水题 排序)
- php如何提高程序运行效率,如何提高PHP的运行效率 | 萧小寒
- 如何拆计算机主机箱,一种方便拆卸的计算机主机箱的制作方法
- php$this-conn可以不先定义吗,CodeIgniter 是不是支持PDO 查询?还是本来就不支持
- 计算日期时间间隔,可计算情侣计算在一起的。精确到,天,时,分,秒(输入的日期距离现在有:819天19670小时1180221分钟70813262秒)
- java map与set的区别_Java中的Set,List,Map的区别是什么?
- 京东华为 Java开发历年经典题汇总