python計算相似矩陣

模糊數學課上完之後對使用python中的sklearn計算矩陣各個元素的相似度有了一些感悟。

首先需要強調的是python中對於矩陣的計算盡量不要在dataframe中，效率非常低。應該使用numpy。

1 預處理

from sklearn.preprocessing import standardscaler

from sklearn.preprocessing import minmaxscaler
from sklearn.metrics.pairwise import pairwise_distances
from sklearn.metrics.pairwise import cosine_similarity
>>> matrix= np.array([[ 1., -1.,  2.],
...                     [ 2.,  0.,  0.],
...                     [ 0.,  1., -1.]])
...>>> min_max_scaler = preprocessing.minmaxscaler()
>>> matrix_minmax = min_max_scaler.fit_transform(matrix)
>>> matrix_minmax
array([[ 0.5       ,  0.        ,  1.        ],
[ 1.        ,  0.5       ,  0.33333333],
[ 0.        ,  1.        ,  0.        ]])

2 計算相似度矩陣

計算相似度矩陣的方法有很多種，發現了sklearn中直接有通過計算余弦相似度得到相似度矩陣的方法

1 sklearn.metrics.pairwise.cosine_similarity

2 sklearn.metrics.pairwise.pairwise_distances

>>> 

from sklearn.metrics.pairwise import cosine_similarity
>>> 
from sklearn.metrics.pairwise import pairwise_distances
>>> a=[[1,3],[2,2]]
>>> cosine_similarity(a)
array([[ 1.        ,  0.89442719],
[ 0.89442719,  1.        ]])
>>> pairwise_distances(a,metric="cosine")
array([[ 0.        ,  0.10557281],
[ 0.10557281,  0.        ]])

嚴格對角佔優矩陣特徵值 相似矩陣

一 向量是基底的組合.在空間中，我們可以用向量的終點來代替向量本身，那麼在乙個既定基底中 乙個向量x可以表示為 x,y 本質上x和y可以理解為兩個標量，是對應基底向量的個數.以二維空間為例 設基底為i 1,0 j 0,1 則 xi yj x和y就是個數 那麼如果基底換了呢？比如基底變成i 2,1 j...

優化計算相似度矩陣

任務 現有特徵矩陣x r n fx in r x rn f n為樣本個數，f為特徵大小，需要計算相似度矩陣a aa，aij aji a a aij a ji 為第i個樣本和第j個樣本的相似度，利用歐式距離求解兩個樣本間的距離 a ij aji f 1f x if x jf 2 a a sum x x...

線性代數導論29 相似矩陣和若爾當形

第二十九課時 相似矩陣和若爾當形 本講介紹相似矩陣，兩個矩陣相似意味著什麼。正定矩陣 回顧上講內容，正定矩陣有 xt ax 0 也可直接通過特徵值，主元或者行列式來做判斷。假設a是乙個正定矩陣，它是乙個對稱矩陣，那麼a的逆矩陣也是對稱的，而且，a的逆的特徵值等於原矩陣特徵值的倒數，如果能判斷原矩陣是...