sklearn.neighbors.DistanceMetric¶
class sklearn.neighbors.DistanceMetric
DistanceMetric类。
此类为快速距离度量功能提供统一的接口。 可以通过get_metric类方法和度量标准字符串标识符（请参见下文）访问各种度量标准。
示例
>>> from sklearn.neighbors import DistanceMetric
>>> dist = DistanceMetric.get_metric('euclidean')
>>> X = [[0, 1, 2],
[3, 4, 5]]
>>> dist.pairwise(X)
array([[ 0. , 5.19615242],
[ 5.19615242, 0. ]])
可用指标
以下列出了字符串指标标识符和关联的距离指标类别：
用于实值向量空间的度量标准：
| 识别码 | 类名 | args | 距离函数 |
|---|---|---|---|
| “euclidean” | 欧几里得距离 | . | sqrt(sum((x - y)^2)) |
| “manhattan” | 曼哈顿距离 | . | sum(|x-y|) |
| “chebyshev” | 切比雪夫距离 | . | max(|x-y|) |
| “minkowski” | 明可夫斯基距离 | p | sum(|x-y|^p）^^(1/p) |
| “wminkowski” | WMinkowski距离 | p, w | sum(|w * (x - y)|^^p)^^(1/p) |
| “seuclidean” | 欧氏距离 | V | sqrt(sum((x - y)^2 / V)) |
| “mahalanobis” | 马氏距离 | V or VI | sqrt((x - y)' V^-1 (x - y)) |
用于二维向量空间的度量:请注意，haversine距离度量标准需要[纬度，经度]形式的数据，并且输入和输出均以弧度为单位。
| 识别码 | 类名 | 距离函数 |
|---|---|---|
| “haversine” | Haversine距离 | 2 arcsin(sqrt(sin^2(0.5*dx) + cos(x1)cos(x2)sin^2(0.5*dy)) |
用于整数值向量空间的度量标准：尽管打算用于整数值向量，但在实值向量的情况下，它们也是有效的指标。
| 识别码 | 类名 | 距离函数 |
|---|---|---|
| “hamming” | 汉明距离 | N_unequal(x, y) / N_tot |
| “canberra” | 堪培拉距离 | sum(|x-y|/(|x|+|y|)) |
| “braycurtis” | 布雷·科蒂斯距离 | sum(|x-y|)/(sum(|x)+sum(|y|)) |
用于布尔值向量空间的指标：任何非零条目都将评估为“ True”。 在下面的清单中，使用以下缩写：
N : 尺寸数 NTT : 两个值均为True的暗点数 NTF : 第一个为True，第二个为False的暗数 NFT : 第一个值为False，第二个为True的暗点数 NFF : 两个值均为False的暗点数 NNEQ : 不相等尺寸的数量，NEW = NFT + NFT NNZ : 非零尺寸的数量，NNZ = NTF + NFT + NTT
| 识别码 | 类名 | 距离函数 |
|---|---|---|
| “jaccard” | 提卡距离 | NNEQ / NNZ |
| “matching” | 匹配距离 | NNEQ / N |
| “dice” | 骰子距离 | NNEQ / (NTT + NNZ) |
| “kulsinski” | 库尔辛斯基距离 | (NNEQ + N - NTT) / (NNEQ + N) |
| “rogerstanimoto” | 罗杰斯·谷本距离 | 2 * NNEQ / (N + NNEQ) |
| “russellrao” | 拉塞尔距离 | NNZ / N |
| “sokalmichener” | 索卡尔·米歇纳距离 | 2 * NNEQ / (N + NNEQ) |
| “sokalsneath” | 索卡尔潜行距离 | NNEQ / (NNEQ + 0.5 * NTT) |
用户定义的距离：
| 识别码 | 类名 | args |
|---|---|---|
| “pyfunc” | PyFuncDistance | func |
这里的func是一个函数，它接受两个一维numpy数组，并返回一个距离。 请注意，为了在BallTree中使用该距离，必须是一个真实的指标：即它必须满足以下属性
非负性：d（x，y）> = 0 定义：当且仅当x == y时，d（x，y）= 0 对称性：d（x，y）= d（y，x） 三角不等式: d(x, y) + d(y, z) >= d(x, z)
由于调用python函数涉及Python对象开销，因此这将相当慢，但是它将具有与其他距离相同的缩放比例。
方法
| 方法 | 说明 |
|---|---|
dist_to_rdist() |
将真实距离转换为缩小的距离。 |
get_metric() |
从字符串标识符获取给定的距离度量。 |
pairwise() |
计算X和Y之间的成对距离 |
rdist_to_dist() |
将缩小的距离转换为真实距离。 |
__init__(*args, **kwargs)
初始化. 请参阅help(type())以获得准确的说明。
dist_to_rdist()
将真实距离转换为缩小的距离。
为某些度量标准定义的减小的距离是一种计算上更有效的度量，可以保留真实距离的等级。 例如，在欧几里得距离度量标准中，减小的距离是欧几里德距离的平方。
get_metric()
从字符串标识符获取给定的距离度量。
有关可用度量的列表，请参见DistanceMetric的文档字符串。
| 参数 | 说明 |
|---|---|
| metric | string or class name 使用的距离度量 |
| **kwargs | 其他参数将传递到请求的指标 |
pairwise()
计算X和Y之间的成对距离
为了测试，这是一个方便的例程。 对于许多指标，scipy.spatial.distance.cdist和scipy.spatial.distance.pdist中的实用程序将更快。
| 参数 | 说明 |
|---|---|
| X | array_like 形状数组（Nx，D），代表D维中的Nx个点。 |
| Y | array_like (optional) 形状数组（Ny，D），代表D维中的Ny个点。 如果未指定，则Y = X。 |
| 返回值 | 说明 |
|---|---|
| dist | ndarray X和Y中的点之间的成对距离的形状（Nx，Ny）数组。 |
rdist_to_dist()
将缩小的距离转换为真实距离。
为某些度量标准定义的减小的距离是一种计算上更有效的度量，可以保留真实距离的等级。 例如，在欧几里得距离度量标准中，减小的距离是欧几里德距离的平方。
