下面的计算是在spark mlib库中给出的,用于查找欧氏距离
private[mllib] def fastSquaredDistance(
v1: Vector,
norm1: Double,
v2: Vector,
norm2: Double,
precision: Double = 1e-6): Double = {
val n = v1.size
require(v2.size == n)
require(norm1 >= 0.0 && norm2 >= 0.0)
val sumSquaredNorm = norm1 * norm1 + norm2 * norm2
val normDiff = norm1 - norm2
var sqDist = 0.0
val precisionBound1 = 2.0 * EPSILON * sumSquaredNorm / (normDiff * normDiff + EPSILON)
if (precisionBound1 < precision) {
sqDist = sumSquaredNorm - 2.0 * dot(v1, v2)
} else if (v1.isInstanceOf[SparseVector] || v2.isInstanceOf[SparseVector]) {
val dotValue = dot(v1, v2)
sqDist = math.max(sumSquaredNorm - 2.0 * dotValue, 0.0)
val precisionBound2 = EPSILON * (sumSquaredNorm + 2.0 * math.abs(dotValue)) /
(sqDist + EPSILON)
if (precisionBound2 > precision) {
sqDist = Vectors.sqdist(v1, v2)
}
} else {
sqDist = Vectors.sqdist(v1, v2)
}
sqDist
}
我对机器学习非常陌生。我的问题是如何通过修改上面的代码来找到曼哈顿距离。
最佳答案
在没有任何其他上下文的情况下,我建议仅以明显幼稚的方式实现 L1 距离:
d_manhatten(u,v) = sum( abs(u[i] - v[i]), i) // Pseudocode
现在,我还没有太多地查看你的代码,但看起来其中大部分是(1)关心精度(与 L2 相比,这对于 L1 来说不是一个问题,因为没有平方)并且(2) 使用 L2 范数作为输入(据我所知,无论如何,这对于计算 L1 没有用处)。所以修改当前的方法可能就没那么有用了。
另外,我经常听说过早的优化是万恶之源,所以首先尝试最简单的事情,如果 Not Acceptable ,那么尝试混淆优化:)
关于scala - 将欧氏距离转换为曼哈顿距离,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/46120456/