algorithm - k最近傍アルゴリズムでバイナリ機能と連続機能の両方を使用するにはどうすればよいですか？

Question

私の特徴ベクトルには、連続（または広範囲）コンポーネントとバイナリコンポーネントの両方があります。単にユークリッド距離を使用すると、連続成分の影響がはるかに大きくなります。

対称と非対称を0と1として表し、0から100の範囲の重要性の低い比率を表す場合、対称から非対称に変更すると、比率を25変更する場合と比較して、距離への影響はわずかです。

対称性に重みを追加することはできますが（たとえば、0または100にすることで）、これを行うためのより良い方法はありますか？

Answer 1

たとえば、ここの最初のセクションの最後に記載されている、正規化されたユークリッド距離を使用してみることができます。

標準偏差によってすべての特徴（連続または離散）を単純にスケーリングします。max-minこれは、たとえば、別のポスターで提案されている範囲（）によるスケーリングよりも堅牢です。

Answer 2

私があなたの質問を正しく理解している場合、データセット内の各ディメンションまたは列を正規化（別名'再スケーリング）することは、オーバーウェイトディメンションを処理するための従来の手法です。

ev_scaled = (ev_raw - ev_min) / (ev_max - ev_min)

たとえば、Rでは、次の関数を記述できます。

ev_scaled = function(x) {
    (x - min(x)) / (max(x) - min(x))
}  

これは次のように機能します：

# generate some data: 
# v1, v2 are two expectation variables in the same dataset 
# but have very different 'scale':
> v1 = seq(100, 550, 50)
> v1
  [1] 100 150 200 250 300 350 400 450 500 550
> v2 = sort(sample(seq(.1, 20, .1), 10))
> v2
  [1]  0.2  3.5  5.1  5.6  8.0  8.3  9.9 11.3 15.5 19.4
> mean(v1)
  [1] 325
> mean(v2)
  [1] 8.68

# now normalize v1 & v2 using the function above:
> v1_scaled = ev_scaled(v1)
> v1_scaled
  [1] 0.000 0.111 0.222 0.333 0.444 0.556 0.667 0.778 0.889 1.000
> v2_scaled = ev_scaled(v2)
> v2_scaled
  [1] 0.000 0.172 0.255 0.281 0.406 0.422 0.505 0.578 0.797 1.000
> mean(v1_scaled)
  [1] 0.5
> mean(v2_scaled)
  [1] 0.442
> range(v1_scaled)
  [1] 0 1
> range(v2_scaled)
  [1] 0 1

Answer 3

ユークリッドの代わりに マハラノビス距離を試すこともできます。