Python的PyDML算法用于进行距离度量学习

pyDML Python的距离度量学习算法 什么是远程度量学习？ 许多机器学习算法需要相似性度量来执行其任务。 通常，使用标准距离（如欧氏距离）来衡量这种相似性。 距离度量学习算法尝试从数据中学习最佳距离。 如何学习距离？ 在距离度量学习中，有两种主要的学习距离的方法： 学习度量矩阵M，即正半定矩阵。 在这种情况下，距离测量为 学习线性图L。此图也由矩阵表示，不一定是确定的或平方的。 此处，两个元素之间的距离是应用变换后的欧几里得距离。 每个线性图都定义一个度量（M = L'L），并且两个定义相同度量的线性图仅在等轴测图中有所不同。 因此，这两种方法是等效的。 一些应用 改进基于距离的分类器 改善1-NN分类。 降维 学习数字数据集在平面上的投影（尺寸64）。 文献资料 在查看可用的算法，其他功能和完整文档。 引文 如果您发现此软件包对您的研究有用，请考虑引用该软件： @