機器學(xué)習(xí)中的各種相似性、距離度量

本文主要關(guān)注點在于各個距離、相似度之間的優(yōu)缺點，及使用時候的注意事項。

1. 閔可夫斯基距離

基本認(rèn)識

該距離最常用的 p 是 2 和 1, 前者是歐幾里得距離（Euclidean distance），后者是曼哈頓距離（Manhattan distance）。假設(shè)在曼哈頓街區(qū)乘坐出租車從 P 點到 Q 點，白色表示高樓大廈，灰色表示街道：

綠色的斜線表示歐幾里得距離，在現(xiàn)實中是不可能的。其他三條折線表示了曼哈頓距離，這三條折線的長度是相等的。

當(dāng) p 趨近于無窮大時，閔可夫斯基距離轉(zhuǎn)化成切比雪夫距離（Chebyshev distance）

我們知道平面上到原點歐幾里得距離（p = 2）為 1 的點所組成的形狀是一個圓，當(dāng) p 取其他數(shù)值的時候呢？

注意，當(dāng) p < 1 時，閔可夫斯基距離不再符合三角形法則，舉個例子：當(dāng) p < 1, (0,0) 到 (1,1) 的距離等于(1+1)1/p>2, 而 (0,1) 到這兩個點的距離都是 1。

優(yōu)缺點及注意事項

閔可夫斯基距離比較直觀，但是它與數(shù)據(jù)的分布無關(guān)，具有一定的局限性，如果 x 方向的幅值遠遠大于 y 方向的值，這個距離公式就會過度放大 x 維度的作用。所以，在計算距離之前，我們可能還需要對數(shù)據(jù)進行 z-transform 處理，即減去均值，除以標(biāo)準(zhǔn)差

可以看到，上述處理開始體現(xiàn)數(shù)據(jù)的統(tǒng)計特性了。這種方法在假設(shè)數(shù)據(jù)各個維度不相關(guān)的情況下利用數(shù)據(jù)分布的特性計算出不同的距離。如果維度相互之間數(shù)據(jù)相關(guān)（例如：身高較高的信息很有可能會帶來體重較重的信息，因為兩者是有關(guān)聯(lián)的），這時候就要用到馬氏距離（Mahalanobis distance）了。

2. 馬氏距離

考慮下面這張圖，橢圓表示等高線，從歐幾里得的距離來算，綠黑距離大于紅黑距離，但是從馬氏距離，結(jié)果恰好相反：
 
馬氏距離實際上是利用 Cholesky transformation 來消除不同維度之間的相關(guān)性和尺度不同的性質(zhì)。假設(shè)樣本點（列向量）之間的協(xié)方差對稱矩陣是Σ,
 
下圖藍色表示原樣本點的分布，兩顆紅星坐標(biāo)分別是（3, 3），（2, -2）:
 
由于 x， y 方向的尺度不同，不能單純用歐幾里得的方法測量它們到原點的距離。并且，由于 x 和 y 是相關(guān)的（大致可以看出斜向右上），也不能簡單地在 x 和 y 方向上分別減去均值，除以標(biāo)準(zhǔn)差。最恰當(dāng)?shù)姆椒ㄊ菍υ紨?shù)據(jù)進行 Cholesky 變換，即求馬氏距離（可以看到，右邊的紅星離原點較近）：
 
將上面兩個圖的繪制代碼和求馬氏距離的代碼貼在這里，以備以后查閱：

# -*- coding=utf-8 -*-

# code related at: http://www.cnblogs.com/daniel-D/

import numpy as np
import pylab as pl
import scipy.spatial.distance as dist

def plotSamples(x, y, z=None):

    stars = np.matrix([[3., -2., 0.], [3., 2., 0.]])
    if z is not None:
        x, y = z * np.matrix([x, y])
        stars = z * stars

    pl.scatter(x, y, s=10)    
# 畫 gaussian 隨機點
    pl.scatter(np.array(stars[0]), np.array(stars[1]), s=200, marker='*', color='r')  
# 畫三個指定點
    pl.axhline(linewidth=2, color='g')
# 畫 x 軸
    pl.axvline(linewidth=2, color='g')  
# 畫 y 軸

    pl.axis('equal')
    pl.axis([-5, 5, -5, 5])
    pl.show()

# 產(chǎn)生高斯分布的隨機點
mean = [0, 0]      
# 平均值
cov = [[2, 1], [1, 2]]   
# 協(xié)方差
x, y = np.random.multivariate_normal(mean, cov, 1000).T
plotSamples(x, y)

covMat = np.matrix(np.cov(x, y))    
# 求 x 與 y 的協(xié)方差矩陣
Z = np.linalg.cholesky(covMat).I  
# 仿射矩陣
plotSamples(x, y, Z)

# 求馬氏距離
print '\n到原點的馬氏距離分別是：'
print dist.mahalanobis([0,0], [3,3], covMat.I), dist.mahalanobis([0,0], [-2,2], covMat.I)

# 求變換后的歐幾里得距離
dots = (Z * np.matrix([[3, -2, 0], [3, 2, 0]])).T
print '\n變換后到原點的歐幾里得距離分別是：'
print dist.minkowski([0, 0], np.array(dots[0]), 2), dist.minkowski([0, 0], np.array(dots[1]), 2)

馬氏距離的變換和 PCA 分解的白化處理頗 有異曲同工之妙，不同之處在于：就二維來看，PCA 是將數(shù)據(jù)主成分旋轉(zhuǎn)到 x 軸（正交矩陣的酉變換），再在尺度上縮放（對角矩陣），實現(xiàn)尺度相同。而馬氏距離的 L逆矩陣是一個下三角，先在 x 和 y 方向進行縮放，再在 y 方向進行錯切（想象矩形變平行四邊形），總體來說是一個沒有旋轉(zhuǎn)的仿射變換。

3. 向量內(nèi)積、余弦相似度和皮爾遜相關(guān)系數(shù)

向量內(nèi)積是線性代數(shù)里最為常見的計算，實際上它還是一種有效并且直觀的相似性測量手段。

直觀的解釋是：如果 x 高的地方 y 也比較高， x 低的地方 y 也比較低，那么整體的內(nèi)積是偏大的，也就是說 x 和 y 是相似的。

舉個例子，在一段長的序列信號 A 中尋找哪一段與短序列信號 a 最匹配，只需要將 a 從 A信號開頭逐個向后平移，每次平移做一次內(nèi)積，內(nèi)積最大的相似度最大。信號處理中 DFT 和 DCT也是基于這種內(nèi)積運算計算出不同頻域內(nèi)的信號組分（DFT 和 DCT是正交標(biāo)準(zhǔn)基，也可以看做投影）。向量和信號都是離散值，如果是連續(xù)的函數(shù)值，比如求區(qū)間[-1, 1]兩個函數(shù)之間的相似度，同樣也可以得到（系數(shù)）組分，這種方法可以應(yīng)用于多項式逼近連續(xù)函數(shù)，也可以用到連續(xù)函數(shù)逼近離散樣本點.

向量內(nèi)積的結(jié)果是沒有界限的，一種解決辦法是除以長度之后再求內(nèi)積，這就是應(yīng)用十分廣泛的余弦相似度（Cosine similarity）。

余弦相似度與向量的幅值無關(guān)，只與向量的方向相關(guān)，在文檔相似度（TF-IDF）和圖片相似性（histogram）計算上都有它的身影。需要注意一點的是，余弦相似度受到向量的平移影響，上式如果將 x 平移到 x+1, 余弦值就會改變。怎樣才能實現(xiàn)平移不變性？這就是下面要說的皮爾遜相關(guān)系數(shù)（Pearson correlation），有時候也直接叫相關(guān)系數(shù)。

皮爾遜相關(guān)系數(shù)具有平移不變性和尺度不變性，計算出了兩個向量（維度）的相關(guān)性。不過，一般我們在談?wù)?a href='/map/xiangguanxishu/' style='color:#000;font-size:inherit;'>相關(guān)系數(shù)的時候，將 x 與 y 對應(yīng)位置的兩個數(shù)值看作一個樣本點，皮爾遜系數(shù)用來表示這些樣本點分布的相關(guān)性。

由于皮爾遜系數(shù)具有的良好性質(zhì)，在各個領(lǐng)域都應(yīng)用廣泛，例如，在推薦系統(tǒng)根據(jù)為某一用戶查找喜好相似的用戶,進而提供推薦，優(yōu)點是可以不受每個用戶評分標(biāo)準(zhǔn)不同和觀看影片數(shù)量不一樣的影響。

4. 分類數(shù)據(jù)點間的距離

漢明距離（Hamming distance）和杰卡德相似系數(shù)（Jaccard similarity），具體可以參考我的上一篇博客《【Matlab開發(fā)】matlab中bar繪圖設(shè)置與各種距離度量》。

5. 序列之間的距離

【轉(zhuǎn)自《漫談機器學(xué)習(xí)中的距離和相似性度量方法》】上一小節(jié)我們知道，漢明距離可以度量兩個長度相同的字符串之間的相似度，如果要比較兩個不同長度的字符串，不僅要進行替換，而且要進行插入與刪除的運算，在這種場合下，通常使用更加復(fù)雜的編輯距離（Edit distance, Levenshtein distance）等算法。編輯距離是指兩個字串之間，由一個轉(zhuǎn)成另一個所需的最少編輯操作次數(shù)。許可的編輯操作包括將一個字符替換成另一個字符，插入一 個字符，刪除一個字符。編輯距離求的是最少編輯次數(shù)，這是一個動態(tài)規(guī)劃的問題，有興趣的同學(xué)可以自己研究研究。
時間序列是序列之間距離的另外一個例子。DTW 距離（Dynamic Time Warp）是序列信號在時間或者速度上不匹配的時候一種衡量相似度的方法。神馬意思？舉個例子，兩份原本一樣聲音樣本A、B都說了“你好”，A在時間上發(fā)生了扭曲，“你”這個音延長了幾秒。最后A:“你~~~好”，B：“你好”。DTW正是這樣一種可以用來匹配A、B之間的最短距離的算法。
DTW 距離在保持信號先后順序的限制下對時間信號進行“膨脹”或者“收縮”，找到最優(yōu)的匹配，與編輯距離相似，這其實也是一個動態(tài)規(guī)劃的問題:
 
實現(xiàn)代碼:、

#!/usr/bin/python2
# -*- coding:UTF-8 -*-
# code related at: http://blog.mckelv.in/articles/1453.html

import sys

distance = lambda a,b : 0 if a==b else 1

def dtw(sa,sb):

'''

>>>dtw(u"干啦今今今今今天天氣氣氣氣氣好好好好啊啊啊", u"今天天氣好好啊")

2

'''
    MAX_COST = 1<<32

#初始化一個len(sb) 行(i)，len(sa)列(j)的二維矩陣
    len_sa = len(sa)
    len_sb = len(sb)

# BUG:這樣是錯誤的(淺拷貝): dtw_array = [[MAX_COST]*len(sa)]*len(sb)
    dtw_array = [[MAX_COST for i in range(len_sa)] for j in range(len_sb)]
    dtw_array[0][0] = distance(sa[0],sb[0])
    for i in xrange(0, len_sb):
        for j in xrange(0, len_sa):
            if i+j==0:
                continue
            nb = []
            if i > 0: nb.append(dtw_array[i-1][j])
            if j > 0: nb.append(dtw_array[i][j-1])
            if i > 0 and j > 0: nb.append(dtw_array[i-1][j-1])
            min_route = min(nb)
            cost = distance(sa[j],sb[i])
            dtw_array[i][j] = cost + min_route
    return dtw_array[len_sb-1][len_sa-1]

def main(argv):
    s1 = u'干啦今今今今今天天氣氣氣氣氣好好好好啊啊啊'
    s2 = u'今天天氣好好啊'
    d = dtw(s1, s2)
    print d
    return 0

if __name__ == '__main__':
    sys.exit(main(sys.argv))

由于上面這個基本上沒有用過，這里僅僅轉(zhuǎn)載過來，備用而已。并不加以闡釋理解。

6. 概率分布之間的距離

概率分布之間的距離度量是一個非常重要的課題，這個回頭肯定能遇到，等到時做一個專題來總結(jié)好了，這里不再敘述。