В настоящее время я использую SciPy для вычисления евклидова расстояния
dis = scipy.spatial.distance.euclidean(A,B)
куда; A, B - 5-мерные битовые векторы. Теперь он работает нормально, но если я добавлю веса для каждого измерения, можно ли использовать scipy?
Что у меня сейчас: sqrt((a1-b1)^2 + (a2-b2)^2 +...+ (a5-b5)^2)
Что я хочу: sqrt(w1(a1-b1)^2 + w2(a2-b2)^2 +...+ w5(a5-b5)^2) с помощью scipy или numpy или любого другого эффективного способа сделать это.
Спасибо
Предложение написать собственную взвешенную норму L2 - хорошее предложение, но расчет, приведенный в этом ответе, неверен. Если намерение состоит в том, чтобы вычислить
тогда это должно сработать:
def weightedL2(a,b,w):
q = a-b
return np.sqrt((w*q*q).sum())
Просто определите это сами. Что-то вроде этого должно помочь:
def mynorm(A, B, w):
import numpy as np
q = np.matrix(w * (A - B))
return np.sqrt((q * q.T).sum())
.sum() полностью избыточен, q*q.T является внутренним произведением вектора на себя, т.е. это это сумма.
- person talonmies; 14.01.2012
.sum() ошибочна. Результатом q * q.T будет матрица 1x1, которая будет неожиданным возвращаемым типом для функции нормы, сумма превратит ее в скаляр.
- person wim; 14.01.2012
sum() для преобразования в скаляр? np.asscalar будет в несколько раз быстрее`?
- person talonmies; 14.01.2012
scipy.spatial.distance.euclidean .. Я просто предполагаю, что авторы scipy знают, что лучше
- person wim; 14.01.2012
Если вы хотите продолжать использовать функцию scipy, вы можете предварительно обработать вектор следующим образом.
def weighted_euclidean(a, b, w):
A = a*np.sqrt(w)
B = b*np.sqrt(w)
return scipy.spatial.distance.euclidean(A, B)
Однако это выглядит медленнее, чем
def weightedL2(a, b, w):
q = a-b
return np.sqrt((w*q*q).sum())
