转自： https://www.cnblogs.com/denny402/p/7027954.html 1. 欧氏距离(Euclidean Distance) 欧氏距离是最易于理解的一种距离计算方法，源自欧氏空间中两点间的距离公式。(1)二维平面上两点a(x1,y1)与b(x2,y2)间的欧氏距离： ...
分类：
编程语言 时间：
2019-09-27 10:35:00
阅读次数：
99
参看文章： 《机器学习-周志华》 《机器学习实战-Peter Harrington》 《统计学习方法-李航》 算法介绍： k近邻学习是一种常用的监督学习方法，其工作机制如下，给定测试样本，基于某种距离度量（曼哈顿距离、欧氏距离、切比雪夫距离、Lp距离、Minkowski距离）找出训练集中与其最靠近的 ...
分类：
编程语言 时间：
2019-08-17 14:28:29
阅读次数：
119
降维与度量学习 K近邻学习 K近邻学习（k-Nearest Neighbor）学习是一种常用的监督学习方法，其工作机制非常简单：给定测试样本，基于某种距离度量找出训练集中与其最靠近的k个训练样本，然后基于这k个"邻居"的信息来进行预测。通常，在分类任务中可使用"投票法"，即选择这k个样本中出现最多的... ...
分类：
其他好文 时间：
2019-07-11 20:09:24
阅读次数：
99
聚类算法中最简单高效的。 利用邻近的信息来标注样本的类别。 重点：初始k个质心，重复迭代直到收敛。 欧式空间的样本，使用平方误差和作为目标函数。 1、优点 快，简单，效果还可以，适合高维 2、缺点 受初始质心的影响，k的选取也很关键 3、距离度量 曼哈顿，欧氏距离 4、k的选取 手肘：k越来越接近真 ...
分类：
其他好文 时间：
2019-07-07 12:45:04
阅读次数：
64
扩展 度量学习的目的是在样本上学习距离度量函数. 距离度量函数必须服从4个公理非负性，对称性，次可加性及不可分与同一性.在实践中，度量学习算法一般忽略了不可分与同一性并学习伪度量. 首先，了解伪度量空间.伪度量空间是度量空间的推广，一个伪度量空间$(X,d)$是有非负实值函数组成的集合$X$，若$d ...
分类：
其他好文 时间：
2019-07-02 20:58:46
阅读次数：
388
在CVPR2019中，Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression介绍了一种新的评价指标GIoU 1. 为什么要提出GIoU？ 对于1-IoU作为距离度量，有四个优点：满足非负 ...
分类：
其他好文 时间：
2019-05-25 16:52:59
阅读次数：
249
K-近邻算法的直观理解就是：给定一个训练集合，对于新的实例，在训练集合中找到k个与该实例最近的邻居，然后根据“少数服从多数”原则判断该实例归属于哪一类，又称“随大流” K-近邻算法的三大要素：K值得选取，邻居距离度量，分类决策的制定。 （1）K值选取：通常采用交叉验证选取最优的K值（自己了解） （2 ...
分类：
编程语言 时间：
2018-12-19 19:36:26
阅读次数：
240
九．Internet路由 1. AS内部路由协议（IGP） （1）路由信息协议：RIP （2）开放最短路径优先：OSPF （3）内部网关路由协议：IGRP（Cisco私有协议） 2. RIP协议 （1）距离向量路由算法 ·距离度量：跳步数（max = 15 hops），每条链路一个跳步 ·每隔30秒 ...
分类：
其他好文 时间：
2018-11-06 13:38:39
阅读次数：
314
视觉模式的相似性度量是视觉计算中的一个基础问题，设计一个有效的相似性度量准则对于提高视觉分析系统的性能极为关键。度量学习旨在利用训练数据学习出有效的距离度量，进而有效地描述样本之间的相似度。传统的度量学习算法大多数都是学习出一个线性的马氏距离，因而不能有效地描述样本的非线性结构。本报告介绍本研究组近 ...
分类：
其他好文 时间：
2018-10-20 00:51:16
阅读次数：
238
K近邻模型的3个要素 1.距离度量（如欧式距离） 2.k值的选择 3.分类决策规则（如多数表决） 线性搜索时间复杂度较高，因而引入了KD树这一数据结构，加快搜索。 构造KD树 搜索KD树 如果实例点是随是随机分布的，kd树搜索复杂度是O(logN)，这里N是训练实例数，kd树更适合于训练实例数远大于 ...
分类：
其他好文 时间：
2018-10-08 20:49:14
阅读次数：
117
