欧式距离

一，直接for循环 两个点集points1，points2，用dist来存储距离 points1=np.array([[1,2],[3,4]]) points2 = np.array([[5, 6],[7,8]]) dist = np.zeros(shape=[points1.shape[0],points2.shape[0]]) for i in range(points1.shape[0]): for j in range(points2.shape[0]): print(points1[i, :] - points2[j, :]) 遍历两个点集的索引相减值 加上这句话 print(np.square(points1[i, :] - points2[j, :])) print(np.sum(np.square(points1[i, :] - points2[j, :]))) print(np.sqrt(np.sum(np.square(points1[i, :] - points2[j, :])))) points1=np.array([[1,2],[3,4]]) points2 = np.array([[5, 6],[7,8]]) dist = np.zeros(shape=[points1.shape[0],points2.shape[0]]) for i in range

本文大多数知识来源于此文：https://blog.csdn.net/fire_light_/article/details/79592804 triplets 设左一的图为 Anchor（参考点），左二为 Negative（反例），右一为 Positive（正例），这三张图片构成一个三元组（t riplet ），其中 A和P的欧式距离可能很大，A和N的欧式距离可能很小。 triplet Loss 什么是Triplet Loss呢？顾名思义，也就是根据三张图片组成的三元组（Triplet）计算而来的损失（Loss）。 其中，三元组由Anchor(A),Negative(N),Positive(P)组成，任意一张图片都可以作为一个基点（A）,然后与它属于同一人的图片就是它的P，与它属于同一人的图片就是它的N。 Triplet Loss 的学习目标可以形象的表示如下图： 网络没经过学习之前，A和P的欧式距离可能很大，A和N的欧式距离可能很小，如上图左边，在网络的学习过程中，A和P的欧式距离会逐渐减小，而A和N的距离会逐渐拉大。 也就是说，网络会直接学习特征间的可分性：同一类的特征之间的距离要尽可能的小，而不同类之间的特征距离要尽可能的大。 意思就是说通过学习，使得类间的距离要大于类内的距离。 损失函数 为： 其中，左边的二范数表示类内距离，右边的二范数表示类间距离，α是一个常量

在数学中有许多空间表示，比如向量空间、内积空间、欧式空间以及希尔伯特空间等。 具体的距离：实际上距离除了我们经常用到的直线距离外，还有向量距离， 函数距离、 曲面距离、折线距离等等，这些具体的距离与距离之间的关系类似于苹果、香蕉等与水果的关系，前面是具体的事物，后面是抽象的概念。 距离就是一个抽象的概念，其定义为： 设X是任一非空集，对X中任意两点x,y，有一实数d(x,y)与之对应且满足： 1. d(x,y) ≥0，且d(x,y)=0当且仅当x=y; 2. d(x,y)=d(y,x); 3. d(x,y) ≤d(x,z)+d(z,y)。 称d(x,y)为X中的一个距离。 定义了距离后，我们再加上线性结构，如向量的加法、数乘，使其满足加法的交换律、结合律、零元、负元；数乘的交换律、单位一；数乘与加法的结合律（两个）共八点要求，从而形成一个线性空间，这个线性空间就是 向量空间 。 在向量空间中，我们定义了范数的概念，表示某点到空间零点的距离： 1. ||x|| ≥0; 2. ||ax||=|a|||x||; 3. ||x+y||≤||x||+||y||。 将范数与距离比较，可知，范数比距离多了一个条件2，数乘的运算，表明其是一个强化了的距离概念。范数与距离的关系可以类似理解为与红富士苹果与苹果的关系。 接下来对范数和距离进行扩展，形成如下： 下面在已经构成的线性赋范空间上继续扩展

数据挖掘所挖掘的结果是面向全部的数据，而机器学习则是预测测试样本的检测结果。 1. 2. 3. 4. 5. 2.互信息值： 2 4V Volume ( ) Variety ( ) Velocity Value 4.数据挖掘的主要功能 5.多站点处理： 1. 单机多进程 2. 集群分布式计算效果 6.频繁项集： (min_sup) : : ―― Apriori Growth C 2 C C R R R R R R rd:() → yd yd 11.凝聚法分层聚类 有一堆方法可以用来算两点（ pair）之间的距离：欧式，欧式平方，manhattan等，还有一堆方法可以算类（cluster）与类之间的距离，什么single-linkage、complete-linkage、还有这个ward linkage。（即最短最长平均，离差平方和） Extrapolation 关联规则的评价指标是支持度、置信度 13.分类规则的挖掘方法 通常有：决策树法、贝叶斯法、人工神经网络法、粗糙集法和遗传算法。 14.模型的具体化 就是预测公式，公式可以产生与观察值有相似结构的输出，这就是预测值。 15.频繁闭项集 “ - - 楗煎共 ” “ - 楗煎共 ” “ - - 楗煎共 ” g(f(X)) DM DB/DM DB DM DB/DW 原文：https://www.cnblogs.com/lgx