IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 游戏开发 -> 关于相似度计算方法的python实现 -> 正文阅读

[游戏开发]关于相似度计算方法的python实现

关于相似度计算方法的python实现

参考

欧氏距离,曼哈顿距离:计算两个向量间的相似程度,值越小,相似度越高

高斯距离(标准化欧氏距离):计算两个向量间的相似程度,值越大,相似度越高

余弦相似度:取值范围是[-1,1],相同两个向量的之间的相似度为cos(0°)=1,方向上正相关;cos(180°) = -1,方向上负相关

**pearson系数:**用于研究不同变量(n个变量)两两间的相关程度,相关性矩阵(n x n)中的取值范围[-1,1], 正相关则>0,负相关则<0,无关则=0)

Note

  • 欧式距离的数值受到维度的影响,余弦相似度在高维的情况下也依然保持低维完全相同时相似度为1等性质。
  • 欧式距离体现的是距离上的绝对差异,余弦距离体现的是方向上的相对差异
import unittest
import numpy as np
import math

'''参考 https://www.cnblogs.com/chenpeng9/articles/4605577.html,https://blog.csdn.net/qq_32350131/article/details/104567014'''

'''欧几里得距离(越小相似度越高)'''
#计算欧几里德距离:
def euclidean(p,q):
    '''
    :param p: list
    :param q: list
    :return:
    '''
    #如果特征长度不同,不计算相似度
    if(len(p) != len(q)):
        raise Exception("feature length must be the same")

    p,q = np.array(p),np.array(q)
    d1 = np.sqrt(np.sum(np.square(p - q)))

    return d1

#@Deprecated
'''pearson系数(用于研究不同变量(n)间的相似程度,相关性矩阵(n x n)中的取值范围[-1,1], 正相关则>0,负相关则<0,无关则=0)'''
#计算皮尔逊相关度:
def pearson(p,q):
    # 如果特征长度不同,不计算相似度
    if (len(p) != len(q)):
        raise Exception("feature length must be the same")

    my_rho = np.corrcoef(p, q)
    return my_rho

'''曼哈顿距离'''
#计算曼哈顿距离:
def manhattan(p,q):
    '''
    :param p: list
    :param q: list
    :return:
    '''
    # 如果特征长度不同,不计算相似度
    if (len(p) != len(q)):
        raise Exception("feature length must be the same")

    p, q = np.array(p), np.array(q)
    dist = np.linalg.norm(p - q, ord=1)
    return dist

'''高斯距离(指数距离,或者标准化欧式距离),需要先计算欧式距离'''
def exponent_distance(p,q,y):
    '''
    :param p: list
    :param q: list
    :param y: 缩放因子
    :return:
    '''
    p, q = np.array(p), np.array(q)
    d = euclidean(p,q)
    d1 = np.exp(-y * d)
    return d1

'''余弦相似度(取值范围是[-1,1],主要用于研究两个向量在方向上的相似度,两个相同向量之间的相似度为: cos(0) = 1)'''
def cosine(p,q):

    # 如果特征长度不同,不计算相似度
    if (len(p) != len(q)):
        raise Exception("feature length must be the same")

    d = np.dot(p, q) / (np.linalg.norm(p) * np.linalg.norm(q))
    return d

#@待研究:如何同时考虑这两个距离,让其优势互补
'''策略1: 通过标准化欧式距离计算两向量的绝对距离,通过余弦相似度计算两向量的方向相似度'''
def cal_simliarity_cosine_divide_euclidean(p,q):
    '''
    :param p: list
    :param q: list
    :param y: 缩放因子
    :return: 欧式距离,余弦相似度
    '''
    return abs(cosine(p,q)) / euclidean(p,q)  #欧氏距离越小,相似度越大; 余弦距离越大[0,1],相似度越大; 总体越大,相似度越大

'''对所有距离进行汇总'''
def cal_simliarity(mode,p,q,y):
    '''
    :param mode: EXPONENT_DISTANCE,EUCLIDEAN,COSINE, EUCLIDEAN_COSINE
    :param p: list
    :param q: list
    :param y: 缩放因子
    :return: 相似度取值
    '''
    if(mode == "EXPONENT_DISTANCE"):
        return exponent_distance(p,q,y)
    elif(mode == "EUCLIDEAN"):
        return euclidean(p,q)
    elif(mode == "COSINE"):
        return cosine(p,q)
    elif(mode=="EUCLIDEAN_COSINE"):
        return cal_simliarity_cosine_divide_euclidean(p,q)
    else:
        raise Exception("Please enter the correct mode name...")

# '''策略1对应的阈值设置,用于人脸识别'''
# def simliarity_euclidean_cosine_threshold(config, e, c):
#     '''
#     :param config: 策略1的阈值配置文件
#     :param e: 标准化的欧氏距离
#     :param c: 余弦相似度
#     :return:
#     '''
#     pass

class MyTest(unittest.TestCase):

    def test_euclidean(self):
        p = [1,0]
        q = [5,3]
        sim = euclidean(p,q)
        print(sim)

    def test_manhattan(self):
        p = [1,0]
        q = [5,3]
        sim = manhattan(p,q)
        print(sim)

    #@Deprecated
    def test_pearson(self):
        p = [1,0]
        q = [5,3]
        sim = pearson(p,q)
        print(sim)

    def test_cosine(self):
        p = [1, 0]
        q = [5, 3]
        sim = cosine(p, q)
        print(sim)

    def test_exponent_distance(self):
        p = [1, 0]
        q = [5, 3]
        sim = exponent_distance(p, q, y=1)
        print(math.pow(math.e,(-5)))
        print(sim)

        q1 = [2,3]
        sim = exponent_distance(p, q1, y=1)
        print(sim)
  游戏开发 最新文章
6、英飞凌-AURIX-TC3XX: PWM实验之使用 GT
泛型自动装箱
CubeMax添加Rtthread操作系统 组件STM32F10
python多线程编程:如何优雅地关闭线程
数据类型隐式转换导致的阻塞
WebAPi实现多文件上传,并附带参数
from origin ‘null‘ has been blocked by
UE4 蓝图调用C++函数(附带项目工程)
Unity学习笔记(一)结构体的简单理解与应用
【Memory As a Programming Concept in C a
上一篇文章      下一篇文章      查看所有文章
加:2022-03-12 17:53:59  更:2022-03-12 17:54:43 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年10日历 -2024/10/30 8:27:17-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码