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 陳怡安
演講者 : 海洋大學資訊工程學系 張欽圳


距離測度學習(Distance Metric Learning)

講白了，其實就是比對資料之間的量化相似度(差異性)
兩筆資料(比對物)間距離值愈小，則表示兩筆資料在某方面的相似性程度愈高

不同性質的資料，則有不同的距離量測方式。


常用類型：

歐氏距離(Euclid Distance)
求m維空間中兩個點之間的真實距離。

曼哈頓距離(Taxicab geometry)
兩個點上在標準座標繫上的絕對軸距總和。

馬氏距離(Mahalanobis distance)
表示數據點之間的共變異數距離。


常見測距演算：
KNN(K-nearest neighbor)
一種機械學習方法，而做法為比對測試資料與一群訓練資料中距離最接近K個的資料


SVM(Support Vector Machine)
在n維度空間出相異集合的超平面(hyperplane)，使之將兩個不同的集合分開。


RBF(Radial Basis Function Network)
一種類神經網路，不好解釋