Zusammenfassung
Für das maschinelle Lernen sind Begriffe wie Distanz und Ähnlichkeit bei der Erstellung der mathematischen Modelle von entscheidender Bedeutung. Durch die Anwendung unterschiedlicher Metriken zur Bestimmung der Punktabstände und die Erkenntnisse der letzten Kapitel bekommt der Begriff Distanz einen neuen Interpretationsspielraum. Es stehen neue Freiheitsgrade bei der Gestaltung der Modelle zur Verfügung. Die Datenpunkte können im hochdimensionalen Raum gespeichert werden und charakteristische Information tragende Punktehäufungen sind auf bestimmte Kriterien prüfbar, um zu klären, ob sie als Erkennungsmerkmal geeignet sind oder nicht. Beispielsweise kann als Ähnlichkeitsmaß eine Proximitätszahl darauf hinweisen, wie ähnlich zwei Objekte im multidimensionalen Raum sind. Dies bietet die Möglichkeit, festzustellen, ob Objekte sicher unterschieden werden können, um die Voraussetzungen für Modelle zu schaffen, deren Anwendung eine genaue und zuverlässige Klassifikation liefert.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
Generalisierung um ein Ensemble von Erwartungswerten in Abschn. 12.1.1.
- 2.
- 3.
DistXa2Zd: Distanz von Datenpunkt Xa bis zum Zentroid Zd, die Zahl Zwei steht für bis zu oder to, vom englischen two abgeleitet, um eine kurze Schreibweise zu ermöglichen.
- 4.
Standard beim MAE-Verfahren: MaxDist2NN = 2 σ.
- 5.
- 6.
Wegen des geringen Distanzfehlers in hochdimensionalen Räumen wird beim MAE-Verfahren die L1-Norm genutzt Abschn. 6.4.
- 7.
In Anhang I.2, Realisierungsbeispiel mit einem komplexen Baustein (FPGA), ist die Wirkung einer solche Schnellabtastung (Fast-Scan) in Tab. I.1 Steuerungsorganisation für eine automatisierte Messung erklärt.
Literatur
Fawcett T (2004) ROC Graphs: Notes and Practical Considerations for Researchers: Technical report. URL (http://www.hpl.hp.com/techreports/2003/HPL-2003-4.pdf)
Gottwald S, Köstner H, Hullwich M (1986) Handbuch der Mathematik. VEB Bibligraphisches Institut, Leipzig
Kubek, Mario, M, Unger H (2016) Centroid Terms and their Use in Natural Language Processing. In: Unger Herwig, Halang Wolfgang A (eds) Autonomous Systems 2016, VDI Verlag, Düsseldorf, Reihe 10 Informatik/Kommunikation, pp S. 167–185
Author information
Authors and Affiliations
Rights and permissions
Copyright information
© 2019 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Sartorius, G. (2019). Distanz- und Ähnlichkeitsmaße. In: Erfassen, Verarbeiten und Zuordnen multivariater Messgrößen. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-23576-5_8
Download citation
DOI: https://doi.org/10.1007/978-3-658-23576-5_8
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-23575-8
Online ISBN: 978-3-658-23576-5
eBook Packages: Computer Science and Engineering (German Language)