在機器學習、人工智能領域常用的距離計算公式。 曼哈頓距離 曼哈頓距離又稱“計程車距離”，由十九世紀的赫爾曼·閔可夫斯基所創。點\(P_1(x_1,y_1)\)和\(P_2(x_2,y_2)\)的距離如下： \[distance(P_1,P_2)=|x_2-x_1|+|y_2-y_1 ...

機器學習是時下流行AI技術中一個很重要的方向，無論是有監督學習還是無監督學習都使用各種“度量”來得到不同樣本數據的差異度或者不同樣本數據的相似度。良好的“度量”可以顯著提高算法的分類或預測的准確率，本文中將介紹機器學習中各種“度量”，“度量”主要由兩種，分別為距離、相似度和相關系數 ...

機器學習是時下流行AI技術中一個很重要的方向，無論是有監督學習還是無監督學習都使用各種“度量”來得到不同樣本數據的差異度或者不同樣本數據的相似度。良好的“度量”可以顯著提高算法的分類或預測的准確率，本文中將介紹機器學習中各種“度量”，“度量”主要由兩種，分別為距離、相似度和相關系數 ...

采樣方法 目錄 采樣方法 Inverse CDF 接受-拒絕采樣(Acceptance-Rejection Sampling) 蒙特卡洛方法 重要性采樣： MCMC(Markov Chain Monte ...

馬氏距離（Mahalanobis Distance） 馬氏距離(Mahalanobis Distance)是由印度統計學家馬哈拉諾比斯（P. C. Mahalanobis）提出的，表示數據的協方差距離。它是一種有效的計算兩個未知樣本集的相似度的方法。它考慮到數據特征之間的聯系，並且是尺度無關 ...

在機器學習過程中，我們經常需要知道個體(樣本)之間的差異大小，進而評價個體的相似性和類別，特征空間中兩個樣本(點)之間的距離就是兩個樣本相似性的一種反映。常見的分類和聚類算法，如K近鄰、K均值(K-means)、層次聚類等等都會選擇一種距離或相似性的度量方法。根據數據特性的不同，可以采用不同的度量 ...

　　損失函數是機器學習中常用於優化模型的目標函數，無論是在分類問題，還是回歸問題，都是通過損失函數最小化來求得我們的學習模型的。損失函數分為經驗風險損失函數和結構風險損失函數。經驗風險損失函數是指預測結果和實際結果的差別，結構風險損失函數是指經驗風險損失函數加上正則項。通常 ...

損失函數是用來估量你模型的預測值f(x)與真實值Y的不一致程度，它是一個非負實值函數,通常使用L(Y, f(x))來表示，損失函數越小，模型的魯棒性就越好。損失函數是經驗風險函數的核心部分，也是結構風 ...