有关马氏距离和hinge loss的学习记录
2024-08-30 03:09:25
关于度量学习,之前没有看太多相关的文献。不过南京的周老师的一篇NIPS,确实把这个问题剖析得比较清楚。
Mahalanobis距离一般表示为d=(x-y)TM(x-y),其中x和y是空间中两个样本点,M就是要学出的度量。
这里的度量的在马氏距离公式的意义是,在先验概率不等的情况下,用M作为协方差参数,表示样本点在空间中疏密程度。固然马氏距离也有缺点,将样品不同属性间差别视为等同量的差别,这样就放大了微小差别变量的影响权重;但是马氏距离确乎是搞清楚之后能继续深入学习度量学习的一个重要概念。
https://blog.csdn.net/jmy5945hh/article/details/20536929
此外,对hingeloss的解释,这位朋友的博客的图说明比较直观
http://www.cnblogs.com/ooon/p/5539687.html
最新文章
- IIS短文件名暴力枚举漏洞利用脚本
- JS Util1(basic)
- Windows 服务快捷启动命令
- matplotlib 显示中文 与 latex冲突
- show status和show variables区别解析
- UIModalPresentationStyle和UIModalTransitionStyle
- eclipse PermGen space解决方案
- js如何判断一组数字是否连续,得到一个临时数组[[3,4],[13,14,15],[17],[20],[22]];
- Convert String to Long
- java工程打包成jar包,并且解压lib里的jar包
- <; 软件工程 第一次作业 >;
- 记一次mysql千万订单汇总查询优化
- Python 面向对象(四) 反射及其魔术方法
- UE4 UnLoadStreamLevel
- angular4学习笔记整理(二)angular4的路由使用
- 一个整数数组,长度为n,将其分为m份,使各份的和相等,求m的最大值。
- Oracle 中PLSQL的ftp应用
- windows git 上传
- 将本地项目部署到github远程仓库
- [Leetcode]827.使用回溯+标记解决最大人工岛问题