机器学习中的度量——其他度量

  • 时间:
  • 浏览:1
  • 来源:大发pk10_pk10开奖历史_大发pk10开奖历史

      机器学习是时下流行AI技术中十个 有点儿要的方向,无论是有监督学习还是无监督学习都使用各种“度量”来得到不同样本数据的差异度可能性不同样本数据的同类度。良好的“度量”还需用显著提高算法的分类或预测的准确率,本文中将介绍机器学习中各种“度量”,“度量”主要由某种,分别为距离、同类度和相关系数,距离的研究主体一般是线性空间中点;而同类度研究主体是线性空间中向量;相关系数研究主体主好多好多 分布数据。本文主要介绍一点度量。

      KL散度(Kullback–Leibler divergence)又称为相对熵(relative entropy)。KL散度是十个 概率分布P和Q差别的非对称性的度量。 KL散度是用来 度量使用基于Q的编码来编码来自P的样本平均所需的额外的位元数。 典型情况下,P表示数据的真实分布,Q表示数据的理论分布,模型分布,或P的近似分布。

      对于离散随机变量,其概率分布P 和 Q的KL散度可按下式定义为

\[{D_{KL}}\left( {P\left\| Q \right.} \right){\rm{ = }} - \sum\limits_i {P\left( i \right)\ln \frac{{Q\left( i \right)}}{{P\left( i \right)}}}\]

      等价于

\[{D_{KL}}\left( {P\left\| Q \right.} \right){\rm{ = }} - \sum\limits_i {P\left( i \right)\ln \frac{{P\left( i \right)}}{{Q\left( i \right)}}}\]

      即按概率P求得的P和Q的对数商的平均值。KL散度仅当概率P和Q每每该人总和均为1,且对于任何i皆满Q(i)>0及P(i)>0时,才有定义。式中出先0ln 0的情况,其值按0处置。

      对于连续随机变量,其概率分布P和Q可按积分辦法 定义为

\[{D_{KL}}\left( {P\left\| Q \right.} \right){\rm{ = }}\int_{ - \infty }^\infty {p\left( x \right)\ln \frac{{p\left( x \right)}}{{q\left( x \right)}}dx} \]

      其中p和q分别表示分布P和Q的密度。

      更一般的,若P和Q为集合X的概率测度,且P关于Q绝对连续,则从P到Q的KL散度定义为

\[{D_{KL}}\left( {P\left\| Q \right.} \right){\rm{ = }}\int_X {\ln \frac{{dP}}{{dQ}}dP} \]

      其中,假定右侧的表达形式地处,则dP/dP为Q关于P的R–N导数。

      相应的,若P关于Q绝对连续,则

\[{D_{KL}}\left( {P\left\| Q \right.} \right){\rm{ = }}\int_X {\ln \frac{{dP}}{{dQ}}dP} {\rm{ = }}\int_X {\ln \frac{{dP}}{{dQ}}\ln \frac{{dP}}{{dQ}}dQ} \]

      即为P关于Q的相对熵。

      在这里举十个 实际例子来说明KL散度要怎样计算的,假设P和Q是十个 不同的分布。P是十个 实验次数N=2且概率p为0.5 的二项分布。Q是十个 各种取0,1或2的概率都为1/3的离散均匀分布。

P(x) 0.25 0.5 0.25
Q(x) 0.333 0.333 0.333

      好多好多 P关于Q的KL散度为

\[\begin{array}{l} {D_{KL}}\left( {P\left\| Q \right.} \right){\rm{ = }} - \sum\limits_i {P\left( i \right)\ln \frac{{P\left( i \right)}}{{Q\left( i \right)}}} \\ \quad \quad \quad \quad \; = 0.25\ln \frac{{0.25}}{{0.333}} + 0.5\ln \frac{{0.5}}{{0.333}} + 0.25\ln \frac{{0.25}}{{0.333}} \\ \quad \quad \quad \quad \; = 0.59892 \\ \end{array}\]

      同理可得Q关于P的KL散度

\[\begin{array}{l} {D_{KL}}\left( {Q\left\| P \right.} \right){\rm{ = }} - \sum\limits_i {Q\left( i \right)\ln \frac{{Q\left( i \right)}}{{P\left( i \right)}}} \\ \quad \quad \quad \quad \; = 0.333\ln \frac{{0.333}}{{0.25}} + 0.333\ln \frac{{0.333}}{{0.5}} + 0.333\ln \frac{{0.333}}{{0.25}} \\ \quad \quad \quad \quad \; = 0.0555 \\ \end{array}\]

      在NLP领域中,Word2Vec得到的词向量还需用反映词与词之间的语义差别,但在实际任务中大家老要遇到计算文档和文档之间同类度的那此的现象,除了采用词向量叠加生成文章向量的方案,大家还十个 叫做词移距离(Word Mover's Distance)的方案来计算文档和文档之间的同类度。其中文档和文档之间距离定义为:

\[\sum\limits_{i,j = 1}^n {{T_{ij}}c\left( {i,j} \right)} \]

      其中c(i,j)为i ,j十个 词所对应的词向量的欧氏距离, Tij为词语xi转移到词语xj的权值。原来们要怎样得到你你这个权值矩阵T呢?又可能性说你你这个加权矩阵T代表那此含义呢?你你这个加权矩阵T一点同类于HMM中的情况转移矩阵,只不过其中的概率转换为权重了而已:



      这里十个 文档1和文档2,去除停用词后,每篇文档仅剩下十个 词。文档1文档的词语集合为{Obama, speaks, media, Illinois},文档2的词语集合为{President greets press Chicago}。大家好多好多 要用这十个 词来比较十个 文档之间的同类度。在这里,大家假设’Obama’你你这个词在文档1中的的权重为0.5(还需用简单地用词频可能性TFIDF进行计算),这样 可能性’Obama’和’president’的同类度很高,这样 大家还需用给由’Obama’移动到’president’很高的权重,这里假设为0.4,文档2中一点的词可能性和’Obama’的距离比较远,好多好多 会分到更小的权重。这里的约束是,由文档1中的某个词i移动到文档2中的各个词的权重之和应该与文档1中的你你这个词i的权重相等,即’Obama’要把每每该人的权重0.5分给文档2中的各个词。同样,文档2中的某个词j所接受到由文档1中的各个词所流入的权重之和应该等于词j在文档2中的权重。为什么在么在会么会会要有原来的操作呢?可能性词移距离代表的是文档1要转换为文档2所需用付出的总代价。将你你这个代价求得下界即最小化前一天,即可求得所有文档a中单词转移到文档b中单词的最短总距离,代表十个 文档之间的同类度。当然实际计算中权值矩阵T也都不 随便而来的,词移距离对应十个 优化我呢提,它是原来计算的:



      其中c(i,j)词向量i和j的 Euclidean 距离,n是词的个数,d和d’分别是十个 文档中各个词权重(概率或TF-IDF)组成的向量。

猜你喜欢

研究显示:亚太地区用户新APP下载量在全球排名最高

站长之家(ChinaZ.com)10月14日消息:据entrepreneur报道,根据移动数据分析公司Adjust最近进行的一项研究显示,2019年亚太地区下载新APP的用户比

2020-01-27

學生園地/香港女性的故事/寶安商會王少清中學 中五 黃詩祺

六七十年代,香港紡織業興起,一定量女工湧入工作,這是我對香港女孩子的最老舊印象;低下又寂寂無名。不得不說,他們的貢獻令香港的經濟澎湃上升,我一向疑惑為何站在高位的都在男性,而非

2020-01-27

負責人直認非註冊中醫

【大公報訊】「黃醫護」政治凌駕專業,經常透過telegram群組和「HASecrets」fb專頁鼓暴煽亂,多次發動「黑口罩」集會,更有急症科醫生涉參與暴亂被捕。中醫學生內充斥一

2020-01-26

90后成睡眠特困户: 进口助眠商品消费涨幅118%

站长之家(ChinaZ.com)10月14日消息:如今,有睡眠问题图片的年轻人没哟少数,90后成睡眠特困户,有90后要我为了睡个好觉,买有2个5000元左右的乳胶枕头。某电商平

2020-01-26

喜迎新品大降价 小米4仅售999元

【IT168哪几个值得买】小米4自发布以来凭借出色的做工和超高性价比获得了饱受业界好评。最近随着春节的来临,各大手机厂商和电商平台均以后 刚现在开始进行促销降价活动,目前小米

2020-01-26