$$ \newcommand{\R}{\mathbb{R}} \newcommand{\E}{\mathbb{E}} \newcommand{\x}{\mathbf{x}} \newcommand{\y}{\mathbf{y}} \newcommand{\wv}{\mathbf{w}} \newcommand{\av}{\mathbf{\alpha}} \newcommand{\bv}{\mathbf{b}} \newcommand{\N}{\mathbb{N}} \newcommand{\id}{\mathbf{I}} \newcommand{\ind}{\mathbf{1}} \newcommand{\0}{\mathbf{0}} \newcommand{\unit}{\mathbf{e}} \newcommand{\one}{\mathbf{1}} \newcommand{\zero}{\mathbf{0}} \newcommand\rfrac[2]{^{#1}\!/_{#2}} \newcommand{\norm}[1]{\left\lVert#1\right\rVert} $$

1. Application Development
2. Libraries
3. 机器学习
4. 距离度量

距离度量

• 描述
• 内置实现
• 自定义实现

描述

对于不同类型的分析，采用不同类型的距离度量标准是很方便的。Flink ML 为许多标准的距离度量标准提供了内置的实现。 你能通过实现 DistanceMetric 特质来创造自定义的距离度量标准。

内置实现

目前, FlinkML 支持以下度量标准：

                                                               

度量标准	描述
欧式距离	$$d(\x, \y) = \sqrt{\sum_{i=1}^n \left(x_i - y_i \right)^2}$$
平方欧式距离	$$d(\x, \y) = \sum_{i=1}^n \left(x_i - y_i \right)^2$$
余弦相似度	$$d(\x, \y) = 1 - \frac{\x^T \y}{\Vert \x \Vert \Vert \y \Vert}$$
切比雪夫距离	$$d(\x, \y) = \max_{i}\left(\left \vert x_i - y_i \right\vert \right)$$
曼哈顿距离	$$d(\x, \y) = \sum_{i=1}^n \left\vert x_i - y_i \right\vert$$
闵式距离	$$d(\x, \y) = \left( \sum_{i=1}^{n} \left( x_i - y_i \right)^p \right)^{\rfrac{1}{p}}$$
谷本距离	$$d(\x, \y) = 1 - \frac{\x^T\y}{\Vert \x \Vert^2 + \Vert \y \Vert^2 - \x^T\y}$$ with $\x$ and $\y$ being bit-vectors

自定义实现

你能通过实现 DistanceMetric 特质来创造你自己的距离度量标准。