对象间的相似性要点.pptx

对象间的相似性度量 vicky 对象间的相似性度量 相似性 余弦夹角 简单匹配系数与JACCARD系数 广义JACCARD系数 相关系数 相异度 距离 归一化的相似性=1-归一化的相异度 变量的标准化 计算平均绝对偏差 其中 计算标准化的度量值(z-score) 使用平均绝对偏差往往比使用标准差更具有健壮性 4 夹角余弦 简单匹配系数和JACCARD系数 对称的二元变量 不对称的二元变量 常将出现概率较小的状态编码为1，将另一种状态编码为0 两个都取值为0的情况成为负匹配，被认为不重要 简单匹配系数： R=（a+d)/(a+b+c+d) JACCARD系数：J=a/(a+b+c) 6 广义JACCARD系数 7 相关系数 欧式距离与绝对距离 欧式距离 绝对距离(Manhattan距离) Minkowski距离 其中 Minkowski距离又称 距离， 距离即欧式距离， 距离即绝对距离。 切比雪夫距离 Chebyshev距离（切比雪夫距离） Chebyshev距离是Minkowski距离当 时的极限。 方差加权距离 对标准化数据 计算欧式距离时，即是方差加权距离。 马氏距离 其中 是由各变量计算得到的协方差矩阵。 考虑了变量之间的相关性。 针对二元变量的距离 对称的二元变量 不对称的二元变量 常将出现概率较小的状态编码为1，将另一种状态编码为0 两个都取值为0的情况成为负匹配，被认为不重要 14 二元变量距离和相似性练习 某个数据集现有10个二元变量，两个观测对象X和Y的取值如下：X=0101001101 y= 0001111001 如果10个二元变量为对称二元变量，对象X和Y之间的距离是多少？简单匹配系数是多少？ 如果10个二元变量为非对称二元变量，对象X和Y之间的距离是多少？JACCARD系数是多少？ 针对标称变量的距离 1. 简单匹配方法 m: 匹配的数目， 即对象i和j取值相同的变量的数目 P:全部标称变量的数量 2. 对每个标称变量的每个取值创建一个新的二元变量，并用非对称二元变量的计算方法计算标称变量的相异度 红 绿 蓝 黄 取值 0 1 0 0 绿 0 0 1 0 蓝 …… 针对序数型变量的距离 1.以顺序代替原值 设序数变量f的第i个对象的值为xif，则用它在可能取值中的顺序rif 代替xif （假设f有Mf个有序状态） 2. 将每个rif映射到[0,1]区间 3. Zif视作数值变量计算距离 职称(4档）：XI :助教 XJ ：副教授 ——? XI :1 XJ ：3 ZI :0 ZJ ：2/3 17 针对单属性的相似度和相异度 补充：对非对称变量的处理 注意距离类型的选择 针对混合类型变量的距离 设数据集有p个变量 对象i和j之间的相异度为 对每个变量f： 如果xif 或xjf 缺失，或者xif 和xjf 都为0，则 ，否则 例 Dist（Jack，Mary）=（1*0+0+1*1+1*1+1*（200-100）/(1000-50)+0)) / (1+0+1+1+1+0) = 0.526 注意问题 不同属性的重要程度不同：加权，总权重和为1 相似性在时序上的局限性 与算法和工具有关 20