工会网站平台建设,asp.net mvc 5 网站开发之美 pdf,那些网站是静态,wordpress转化为中文版官网#xff1a;https://milvus.io/docs/metric.md版本: v2.3.x
在 Milvus 中#xff0c;相似度度量用于衡量向量之间的相似度。选择良好的距离度量有助于显着提高分类和聚类性能。下表展示了这些广泛使用的相似性指标如何与各种输入数据形式和 Milvus 索引相匹配。
一、浮…官网https://milvus.io/docs/metric.md版本: v2.3.x
在 Milvus 中相似度度量用于衡量向量之间的相似度。选择良好的距离度量有助于显着提高分类和聚类性能。下表展示了这些广泛使用的相似性指标如何与各种输入数据形式和 Milvus 索引相匹配。
一、浮点型向量 1.1 欧式距离L2
本质上欧氏距离测量连接 2 个点的线段的长度。欧氏距离的公式如下其中 a (a0, a1,…, an-1) 和 b (b0, b0,…, bn-1) 是 n 维欧几里德空间中的两个点 这是最常用的距离度量。PS当选择欧几里德距离作为距离度量时Milvus 仅在应用平方根之前计算值。
1.2 内积IP
如果您需要比较非标准化数据或当您关心幅度和角度时IP 会更有用。PS 如果您使用 IP 来计算嵌入相似度则必须对嵌入进行标准化。归一化后内积等于余弦相似度。
1.3 余弦相似度
余弦相似度使用两组向量之间的角度的余弦来衡量它们的相似程度。您可以将两组向量视为从同一原点 ([0,0,…]) 开始但指向不同方向的两条线段。要计算两组向量 A (a0, a1,..., an-1) 和 B (b0, b1,..., bn-1) 之间的余弦相似度请使用以下公式余弦相似度始终在区间 [-1, 1] 内。例如两个比例向量的余弦相似度为 1两个正交向量的相似度为 0两个相反的向量的相似度为 -1。余弦越大两个向量之间的角度越小表明这两个向量彼此更相似。用 1 减去它们的余弦相似度就可以得到两个向量之间的余弦距离。
二、2值型向量
有Jaccard、Hamming如下两种
2.1 Jaccard杰卡德距离
杰卡德相似系数Jaccard similarity coefficient两个集合 A 和 B 的交集元素在 AB 的并集中所占的比例称为两个集合的杰卡德相似系数则其表达式为它只能应用于有限的样本集。杰卡德距离衡量数据集之间的不相似性由1减去杰卡德相似系数得到与杰卡德相似系数相反用两个集合中不同元素占所有元素的比例来衡量两个集合的区分度。对于二元变量杰卡德距离相当于谷本系数Tanimoto coefficient。杰卡德距离的表达式为
2.2 Hamming汉明距离
汉明距离(Hamming Distance)可以用来计算长度相等两个向量的相似度
汉明距离的计算方式为比较向量的每一位是否相同若不同则汉明距离加1这样即可得到汉明距离。向量相似度越高对应的汉明距离越小。汉明距离可以比较两个二进制串a11101010b11011010。a和b两个二进制串不同的位数为2则汉明距离为2。
例如假设有两个字符串 1101 1001 和 1001 1101。 11011001 ⊕ 10011101 01000100。由于其中包含两个 1因此汉明距离 d (11011001, 10011101) 2。 如果有用请点个三连呗 点赞、关注、收藏。 ***你的鼓励是我最大的动力***
