Ev Kişisel Finans Makine Öğrenimi İçin Vektörler arasındaki benzerliği ölçme - mankenler

Makine Öğrenimi İçin Vektörler arasındaki benzerliği ölçme - mankenler

İçindekiler:

Video: 11. Introduction to Machine Learning 2025

Video: 11. Introduction to Machine Learning 2025
Anonim

Her birini bir vektör olarak düşündüğünüz hesaplamaları kullanarak verilerinizdeki örnekleri kolayca karşılaştırabilirsiniz. Aşağıdaki bilgiler, öğrenme amaçları için vektörler arasındaki mesafenin hesaplanması gibi görevleri yerine getirmek için vektörler arasındaki benzerliğin nasıl ölçüleceğini açıklamaktadır.

Benzerliği anlama

Vektörel bir formda, örneklerdeki her değişkeni bir koordinat dizisi olarak görebilirsiniz; her biri farklı bir alan boyutundaki bir konumu işaret etmektedir. Bir vektör iki öğeye sahipse, yani yalnızca iki değişkene sahipse, onunla çalışmak, sadece bir öğenin konumunu, Doğu-Batı ekseni üzerindeki konum için ilk numarayı ve diğerini Kuzey- Güney ekseni.

Değerlerin örnekleri bir grafik üzerinde puan olarak çizilir.

Örneğin, parantezler arasındaki sayılar (1, 2) (3, 2) ve (3, 3) tüm puan örnekleri. Her örnek, x'in (yatay eksen) ve i'nin y (dikey eksende) için listenin ilk değerini kullanarak bir haritada kolaylıkla bulunup basılabilen sıralı bir değer listesi (bir takım olarak adlandırılır) 'dir. Sonuç dağınıklıktır.

Matris formundaki veri setiniz birçok sayısal özelliğe sahipse (sütunlar), ideal olarak sayıların veri alanı boyutlarını temsil eden satırlar (örnekler) her birini temsil eder matematiksel olarak bir vektör olan nokta. Vektörünüz ikiden fazla öğeye sahip olduğunda, görselleştirme zahmetli hale gelir; ünkü üçüncü boyutların temsil edilmesi kolay değildir (sonuçta üç boyutlu bir dünyada yaşarız).

Ancak, diğer boyutlar için boyut, şekil veya renk kullanarak gibi daha uygun boyutlarda boyutlar taşımaya çalışabilirsiniz. Açıkçası, bu kolay bir iş değildir ve genellikle sonuç sezgisel olmaktan uzaktır. Bununla birlikte, iki ile ik boyutları göz önüne alırken birçok grafiği sistematik olarak basarak, veri alanınızdaki noktaların nerede olacağı fikrini kavrayabilirsiniz. Bu tür arazilere dağılım çizgisi matrisleri denir.

Çok boyutluluk bakımından endişelenmeyin. Öğrendiğiniz kuralları iki veya üç boyutta birden çok boyuta genişletiyorsunuz, bu nedenle bir kural iki boyutlu bir alanda çalışıyorsa, birden çok alanda da çalışır. Dolayısıyla, tüm örnekler ilk önce iki boyutlu örneklere değinmektedir.

Öğrenme mesafelerinin hesaplanması

Bir algoritma, mesafe ölçümlerini kullanan sayıların vektörleri kullanarak öğrenebilir. Genellikle vektörleriniz tarafından ifade edilen alan, uzaklıkları belirli belirli koşullara uyan mesafeli bir metrik boyutudur:

  • Negatif mesafeler yok ve yalnızca başlangıç ​​noktası ve bitiş noktası çakıştığında mesafeniz sıfır (" negatif olmayan" olarak adlandırılır)).
  • Mesafe, bir noktadan diğerine (ve bunun tersi de geçerlidir) (simetri olarak adlandırılır).
  • Bir başlangıç ​​noktası ile sonuncu arasındaki mesafe, başlangıçtan üçüncü bir noktaya ve oradan da son bir mesafeye (üçgen eşitsizliği olarak adlandırılan) kadar olan mesafeden her zaman daha büyük veya daha kötüdür, - yani kısayollar yok demektir). Metrik alanı ölçen uzaklıklar Öklid mesafesi, Manhattan mesafesi ve Chebyshev mesafesidir. Bunlar, sayısal vektörlere uygulanabilen tüm mesafelerdir.

Öklid uzaklığı

En yaygın olanı, iki vektörün l2 normu olarak da tanımlanan Öklid mesafesidir (ll, l2 ve linfinity normlarının bu tartışmasını okuyun). bir iki boyutlu bir düzlemde, bir Öklid mesafe iki noktayı birleştiren düz bir çizgi olarak refigures ve iki vektörün elemanları arasındaki karesi fark toplamının kare kökü olarak hesaplayın. Önceki çizimde, noktalar (1, 2) ve (3, 3) arasındaki Öklid uzaklığı, R'de sqrt ((1-3) ^ 2 + (2-3) ^ 2) olarak hesaplanabilir; yaklaşık 2 236. mesafesi

Manhattan mesafe

faydalı başka bir ölçüsü (aynı zamanda iki vektörün l1 norm olarak tarif edilmiştir) Manhattan mesafedir. Manhattan mesafesini, vektörlerin elemanları arasındaki farkın mutlak değerini toplayarak hesaplarsınız. Euclidean mesafesi en kısa rota işaret ediyorsa, Manhattan uzaklığı, bir şehirde hareket eden bir taksi yönüne benzeyen en uzun rotayı işaretler. Örneğin, (1, 2) ve (3, 3) noktaları arasındaki Manhattan mesafesi abs (1-3) ve abs (2-3) arasındadır. (Bu mesafe, taksici veya şehir blok mesafesi olarak da bilinir.)

), 3.

Chebyshev mesafe

Chebyshev mesafe veya en metrik ile sonuçlanan vektörlerin elemanları arasında mutlak farkın maksimum alır. Bir kral depo lojistik, satranç oyununda hamle ya da nasıl temsil edebilir bir mesafe ölçüsüdür, üstten vinçle gerekli işlemler bir yerden bir yere bir sandık taşımak için.

Makine öğrenmede, Chebyshev mesafesi, göz önüne alınması gereken birçok boyuta sahip olduğunuzda ve çoğu ilgisiz veya gereksiz olduğunda (Chebyshev'de, mutlak farkları en büyük olanı seçerseniz) yararlı olabilir. Yukarıda kullanılan örnekte, mesafe sadece 2, (1-3) ile abs (2-3) arasındaki maksimum.

Makine Öğrenimi İçin Vektörler arasındaki benzerliği ölçme - mankenler

Editörün Seçimi

Yakın Çekimlerde Doğru Kusur ve Dikkat Eserleri - AYDINLATMA

Yakın Çekimlerde Doğru Kusur ve Dikkat Eserleri - AYDINLATMA

Birçok faktör, makro veya yakın plan fotoğrafı. Bunlar konudan alıkoyma eğilimindedir ve görüntülerin dağınık veya belirsiz görünmesine neden olabilir. Teknik açıdan, fotoğraflarınıza giren toz sensörünüz toz olabilir. Bu alanlarda lekelerin görülmesine neden olur ...

Doğru HDR Fotoğrafları - mankenler

Doğru HDR Fotoğrafları - mankenler

Photoshp Elements'teki yeni HDR görüntüsünü açabilir ve renk, beyaz dengesi ve parlaklığı kontrol etmeye başlayabilir. Düzeyler iletişim kutusunu açmak için Geliştir → Aydınlatmayı Ayarla → Seviyeleri seçin (şekilde gösterildiği gibi). Değişikliği beğenip beğenmediğinizi görmek için Otomatik düğmesini tıklayın. ...

Photoshop Elements 8'de HDR Görüntüleri Oluşturun - mankenler

Photoshop Elements 8'de HDR Görüntüleri Oluşturun - mankenler

Photoshop Elements 8, HDR özellikli uygulamaların saflarına katıldı . Elements'in yüksek dinamik menzilli fotoğraf özelliği o kadar da güçlü değil - temelde atılan küçük bir tonlu haritalama ile pozlama harmanlıyor. Bununla birlikte, parantezli pozları kabul eden her şey o kadar da kötü değil. Hangi modu kullanmak istediğinize bakılmaksızın aynı işlemi başlatırsınız ...

Editörün Seçimi

Taktik Zorlayıcı Bozukluk Taklit Edici Kompulsif Bozukluk Taklit Kompulsif Bozukluk veya OKB ile yaşayan Hile Bülteni

Taktik Zorlayıcı Bozukluk Taklit Edici Kompulsif Bozukluk Taklit Kompulsif Bozukluk veya OKB ile yaşayan Hile Bülteni

Zorluklar çıkarır, en azından OKB'nize sizi tanımlamasına izin vermediğinizden emin olun. OKB, hayatınızın bir parçasıysa, diğer sağlık ihtiyaçlarına da odaklanmaya çalışın. Bozukluğun nedeni ve aldığı birçok şekil yararlı bilgiler ...

Omega-3 Yağ Asitleri ve Bipolar Bozuklukların Tedavisi - AYDINLATMA

Omega-3 Yağ Asitleri ve Bipolar Bozuklukların Tedavisi - AYDINLATMA

Çalışmaları, insanların çok fazla deniz ürünü yediği ülkelerde depresyon oranları. Araştırmacılar, son on yılda bu bağlantıyı anlamaya çalışıyor ve omega-3 yağ asitleri üzerine odaklanmış durumda. Vücuttan kendisinin üretemediği besin maddeleri ve diyetle beslenmesi gereken besinler. Omega-3 yağ asitleri sağlıklı olmak için gereklidir ...

Sağlık < < Motive Edici Eylem Almayı Planlıyor -

Sağlık < < Motive Edici Eylem Almayı Planlıyor -

Pozitif hareket almayı planlayan mankenler engeller aşmanıza yardımcı oluyor ve ilerlemenizi sağlar. Planlamanıza yardımcı olacak bazı genel ipuçları. İlk adımlarınızın neler olacağına karar verin, hatta önce bir 'yapılacaklar listesi' yazarak! İlk adımlarınız, nihai hedefinize ulaşmanın mini hedefleridir. Neyin ne olduğunu öğrenin ...

Editörün Seçimi

Pazarlama Otomasyonu için Dinamik İçerikle Dönüşümleri Artırma - mankenler

Pazarlama Otomasyonu için Dinamik İçerikle Dönüşümleri Artırma - mankenler

Pazarlama otomasyon kampanyanız Birçok insanı tek bir açılış sayfasına başarılı bir şekilde yönlendirirseniz, bunu yalnızca tek bir harekete geçirme eylemiyle her biriyle alakalı hale getirirsiniz? Cevap şu ki, bilmiyorsun; yani, tek bir açılış sayfasını her kişi için farklı kılmak için dinamik içeriği kullanırsınız. Dinamik içerik ...

Doğrudan Posta ve Pazarlama Otomasyonunu Entegre Etmek İçin Nasıl Yaparsınız? - AYAKLAR

Doğrudan Posta ve Pazarlama Otomasyonunu Entegre Etmek İçin Nasıl Yaparsınız? - AYAKLAR

Bazı insanlar doğrudan posta pazarlamacılığının iş. Pazarlama otomasyonu ile doğrudan posta pazarlama kampanyanızın ne kadar etkili olduğunu göstermek için veri oluşturursunuz. Toplu patlatma postalarının normal posta veya e-postayla çalışmadığını kabul edebilirsiniz. Bununla birlikte, hedefli e-postalar hedeflenen e-postayla olduğu kadar çalışır. İhtiyacınız olan temel işlemler şunlardır:

LinkedIn'ı Pazarlama Otomasyonu ile Kaldıraç Etmek - mankenler

LinkedIn'ı Pazarlama Otomasyonu ile Kaldıraç Etmek - mankenler

LinkedIn çoğu işletme için çok güçlü bir sosyal medya kanalıdır. Bir B2B markası için pazarlama yapıyorsanız, pazarlama otomasyonundan faydalanabilirsiniz. Tüketici ambalajlı mal markaları ve diğer B2B dışı şirketler için, çok az değeri vardır. Bir B2B markası için pazarlama yapıyorsanız, LinkedIn'ı ve pazarlama otomasyonunu birlikte kullanmanın bazı yolları şunlardır: ...