问题标签 [metric]

在度量学习的训练过程中，如果代价函数是凸的，那么我可以使用梯度下降法，得到最优解。

现在，我想从一个训练集中训练 N(N 可能非常大，比如 100) 个度量，一种方法是调整成本函数，使这些 N 个度量组合成一个大度量矩阵，并使用梯度下降法, 但是，如果 N 很大，这种方法不是很好，在这种情况下，有没有我可以使用的“替代优化”方法？，我可以固定 2th~Nth 指标并只进行梯度下降第 1 个度量，然后固定第 1、3~N 个度量，并仅对第 2 个度量进行梯度下降。这种“替代优化”方法是否存在一些必要条件

我必须计算二维点的成对距离。这些点存储在一个矩阵中，第一列包含 x 值，第二列包含 y 值。我需要的距离函数不是欧几里得度量，而是一些自定义度量。

对于欧几里得距离，使用包中的rdist()函数fields会给我想要的东西：

为了使用我自己的度量，我编写了一个简单的rdist()替换来计算点的距离：

这也可以按预期工作，但速度非常慢。该my_rdist()功能大约需要 20 分钟，而包中的rdist()功能fields需要不到 2 秒。（目前的自定义指标只是计算欧几里得距离的平方。这个想法是在我的数据集的以下处理中惩罚更大的距离。）

rdist()有没有我不知道可以处理自定义指标函数的替代品？或者你能给我一些提示来加快我的my_rdist()功能吗？我很新，R所以也许我犯了一些明显的错误。

我曾经在stackoverflow上问过以下问题：

老问题要求连续有几个表达式的情节标题 以下答案对我来说很好：

我在一个函数中实现了它。今天我想使用该功能，但收到以下错误消息：

我绝对不知道该怎么做才能让这个解决方案再次工作......

我有两个cv::Scalar对象，我想计算色差。

我想出了这段代码：

这看起来相当笨拙。有没有更简单的方法来表达这个或另一个度量，例如表达点积d*d的方法，或者直接说距离的方法 two cv::Scalar，或者cv::Vec4i，它可以被铸造成afaik？

我刚刚将 sklearn 中的日志损失应用于逻辑回归：http ://scikit-learn.org/stable/modules/generated/sklearn.metrics.log_loss.html

我的代码看起来像这样：

但是，我想知道为什么产生的对数损失是负数。我希望它们是正数，因为在文档中（请参阅上面的链接）日志损失乘以 -1 以将其转换为正数。

我在这里做错了吗？

有谁知道如何创建自定义注释，例如传入字符串数组参数的数量？像这样的东西：

并且应该使用某种代码来衡量：

我怎样才能实现这个？有什么想法吗？

这无济于事：

1. 使用 Jersey 的 AbstractHttpContextInjectable 的自定义方法注释不起作用
2. https://gist.github.com/ryankennedy/6688601 -> 缺少如何添加 ito DW 服务。

对于 2.): 添加你的 run():

与这个类：

它适用于这种特殊情况。

我一直在尝试 scipy 中的 kmeans 聚类算法实现。是否有任何标准的、定义明确的指标可用于衡量生成的集群的质量？

即，我有由 kmeans 聚类的数据点的预期标签。现在，一旦我得到已经生成的集群，我如何评估这些集群相对于预期标签的质量？

我有一组分布在球体上的数据，我试图了解必须为 scikit-learn 分发的函数 DBS​​CAN 提供哪些指标。它不能是欧几里得度量，因为点分布的度量不是欧几里得。在 sklearn 数据包中，是否有针对此类情况实施的度量标准，或者将数据划分为小子集是最简单（如果冗长且乏味）的方法吗？

PS我是python的菜鸟

PPS 如果我“预计算”指标，我必须以什么形式提交我的预计算数据？像这样？

0 - 事件1 - 事件2 - ...

事件 1 - 0 - 距离（事件 1，事件 2） - ...

事件 2 - 距离（事件 1，事件 2） - 0

请帮忙？

我正在拼命寻找一种方法来轻松计算 C 函数中所有可能的执行路径的数量。

例如，对于以下函数，我希望得到 3 的结果（如果有机会基于 'i' 进入任何 'if' 语句的值）

给定一个任意字符串s，我想要一种方法从一大组字符串 M （其中 |M| > 100 万）中快速检索所有字符串 S ⊆ M ，其中 S 的所有字符串具有最小编辑距离 < t （一些最小值阈值）来自s。

在最坏的情况下，如果 M 中没有符合此条件的字符串，则 S 可能为空，而在最好的情况下，S = { s }（完全匹配）。对于介于两者之间的任何情况，我完全预计 S 可能会很大。

一般来说，我希望最大编辑距离阈值是固定的（例如，2），并且需要在任意字符串s上多次执行此操作，因此需要一种有效的方法，因为天真地迭代和测试所有字符串将是太贵了。

虽然我使用编辑距离作为示例指标，但我也想使用其他指标，例如 Jaccard 索引。

任何人都可以对可以实现此目标的现有 Java 实现提出建议，或者指出我解决此问题的正确算法和数据结构吗？

更新#1

从那以后，我了解到度量树正是我所追求的那种结构，它利用距离度量来组织 M 中的字符串子集，基于它们与度量之间的距离。Vantage-Point、BK和其他类似的度量树数据结构和算法似乎都非常适合这类问题。现在，要在 Java 中找到易于使用的实现......

更新#2

使用这个bk-tree和这个Levenshtein 距离实现的组合，我能够成功地从一百万个字符串的集合 (M) 中检索任意字符串的子集，检索时间约为 10 毫秒。