Învățare bazată pe distanță

Proiectarea fluxurilor de lucru pentru Machine Learning în Python

Dr. Chris Anagnostopoulos

Honorary Associate Professor

Distanță și similaritate

from sklearn.neighbors import DistanceMetric as dm
dist = dm.get_metric('euclidean')

X = [[0,1], [2,3], [0,6]]
dist.pairwise(X)

array([[0.        , 2.82842712, 5.        ],
       [2.82842712, 0.        , 3.60555128],
       [5.        , 3.60555128, 0.        ]])

X = np.matrix(X)
np.sqrt(np.sum(np.square(X[0,:] - X[1,:])))

2.82842712

Local Outlier Factor non-euclidian

clf = LocalOutlierFactor(
    novelty=True, metric='chebyshev')
clf.fit(X_train)
y_pred = clf.predict(X_test)

dist = dm.get_metric('chebyshev')
X = [[0,1], [2,3], [0,6]]
dist.pairwise(X)

array([[0., 2., 5.],
       [2., 0., 3.],
       [5., 3., 0.]])

Două grupuri de puncte negre cu câteva puncte roșii izolate.

Toate metricile sunt similare?

Matricea distanței Hamming:

dist = dm.get_metric('hamming')
X = [[0,1], [2,3], [0,6]]
dist.pairwise(X)

array([[0. , 1. , 0.5],
       [1. , 0. , 1. ],
       [0.5, 1. , 0. ]])

Toate metricile sunt similare?

from scipy.spatial.distance import pdist

X = [[0,1], [2,3], [0,6]]
pdist(X, 'cityblock')

array([4., 5., 5.])

from scipy.spatial.distance import \ 
    squareform
squareform(pdist(X, 'cityblock'))

array([[0., 4., 5.],
       [4., 0., 5.],
       [5., 5., 0.]])

Un exemplu din lumea reală

Setul de date Hepatitis:

   Class   AGE  SEX  STEROID    ...      
0    2.0  40.0  0.0      0.0    ...      
1    2.0  30.0  0.0      0.0    ...      
2    1.0  47.0  0.0      1.0    ...

¹ https://archive.ics.uci.edu/ml/datasets/Hepatitis

Un exemplu din lumea reală

Distanța euclidiană:

squareform(pdist(X_hep, 'euclidean'))

[[  0.  127.   64.1]
 [127.    0.  128.2]
 [ 64.1 128.2   0. ]]

1 cel mai aproape de 3: clasă greșită

Distanța Hamming:

squareform(pdist(X_hep, 'hamming'))

[[0.  0.5 0.7]
 [0.5 0.  0.6]
 [0.7 0.6 0. ]]

1 cel mai aproape de 2: clasă corectă

O cutie de instrumente mai mare

Proiectarea fluxurilor de lucru pentru Machine Learning în Python