Introduction to Distance Metric Learning

課程: 論文研討(三)

日期 : 2012/12/21

時間 : 13:50 ~ 15:30

學生 : 資傳研二 溫千力

演講者 : 海洋大學資訊工程學系 張欽圳

心得報告：

   根據資料性質的不同，必須此用不同的距離量測方式。當觀察值彼此間的距離值愈小，則表示兩個觀察體在某方面的相似性程度愈高，反之則表示相似性程度愈低。例如：資料集是屬於二元變數資料時，若將資料以連續型的資料來計算距離矩陣並不適當，必須依據各觀察值是否具有變數所定義的屬性來衡量觀察值間的相似程度，以利進行集群分析。一般常用的距離種類有歐氏距離、曼哈頓距離、馬氏距離等。

    在機器學習演算法中，無論是分群還是分類，幾乎都會利用距離(Distance metric)作為判斷依據，讓電腦從大量分類或分群好的資料中去學習距離的定義，當新資料加入時可以利用學習出的距離定義將資料進行正確的分類或分群，常見的演算法有KNN(K-nearest neighbor)、SVM(Support Vector Machine)與RBF(Radial Basis Function Network)等。