Algorithm 多组二维坐标的适当相似性度量
我有一个二维坐标集的集合，每个集合的比例为100K-500K点，我正在寻找最有效的方法来衡量一个集合与另一个集合的相似性。我知道常用的方法：余弦、Jaccard/Tanimoto等。不过，我希望对任何快速/有效的方法提出一些建议，以衡量相似性，特别是那些可以通过相似性进行聚类的方法 编辑1：图像显示我需要做什么。我需要根据它们的形状/方位等将所有的红色、蓝色和绿色分类Algorithm 多组二维坐标的适当相似性度量,algorithm,2d,coordinates,similarity,Algorithm,2d,Coordinates,Similarity,我有一个二维坐标集的集合，每个集合的比例为100K-500K点，我正在寻找最有效的方法来衡量一个集合与另一个集合的相似性。我知道常用的方法：余弦、Jaccard/Tanimoto等。不过，我希望对任何快速/有效的方法提出一些建议，以衡量相似性，特别是那些可以通过相似性进行聚类的方法 编辑1：图像显示我需要做什么。我需要根据它们的形状/方位等将所有的红色、蓝色和绿色分类 试试K-means算法。它动态计算每个簇的质心，计算到所有指针的距离，并将它们关联到最近的簇。尝试K-means算法。它动态计算
试试K-means算法。它动态计算每个簇的质心，计算到所有指针的距离，并将它们关联到最近的簇。尝试K-means算法。它动态计算每个簇的质心，计算到所有指针的距离，并将它们与最近的簇相关联。任何解决方案的第一步似乎都是找到每个形状的质心或其他参考点，以便在不考虑绝对位置的情况下对它们进行比较
想到的一个算法是从最接近质心的点开始，然后步行到最近的邻居。比较正在比较的集合之间这些邻居相对于质心的偏移。继续走到质心的下一个最近邻居，或之前比较的最近未比较的邻居，并跟踪聚合差异？在两个形状之间。此外，在该过程的每个步骤中，计算将使两个形状最接近对齐的旋转偏移[以及镜像是否也会影响它？]。完成后，每对集合将有三个值，包括它们的直接相似性、它们的相对旋转偏移量（仅当它们在旋转后接近匹配时才有用）以及它们在旋转后的相似性。任何解决方案的第一步似乎都是找到质心，或每个形状的其他参考点，以便在不考虑绝对位置的情况下进行比较
想到的一个算法是从最接近质心的点开始，然后步行到最近的邻居。比较正在比较的集合之间这些邻居相对于质心的偏移。继续走到质心的下一个最近邻居，或之前比较的最近未比较的邻居，并跟踪聚合差异？在两个形状之间。此外，在该过程的每个步骤中，计算将使两个形状最接近对齐的旋转偏移[以及镜像是否也会影响它？]。完成后，每对集合将有三个值，包括它们的直接相似性、它们的相对旋转偏移量（仅当它们在旋转后是紧密匹配的情况下最有用）以及它们在旋转后的相似性。因为聚类是基于接近形状度量的，也许您需要某种形式的连接组件标签。UNION-FIND可以为您提供快速的基本集原语 仅对于并集，从不同集合中的每个点开始，如果它们满足某种贴近度标准（受局部共线性的影响），则合并它们，因为这对您来说很重要。然后继续合并，直到您通过了一些关于合并有多困难的超过阈值的条件。如果您将其视为直线增长，只在端点连接对象，则某些数据结构会变得更简单。所有簇是否都是开放的直线和曲线？没有闭合曲线，比如圆
交叉线更难正确处理，您必须找到某种合并然后拆分的方法，或者您将合并条件设置为非常有利于共线性，这样您在交叉线上就幸运了。因为您的聚类是基于与形状的接近度度量的，也许您需要某种形式的连接组件标签。UNION-FIND可以为您提供快速的基本集原语 仅对于并集，从不同集合中的每个点开始，如果它们满足某种贴近度标准（受局部共线性的影响），则合并它们，因为这对您来说很重要。然后继续合并，直到您通过了一些关于合并有多困难的超过阈值的条件。如果您将其视为直线增长，只在端点连接对象，则某些数据结构会变得更简单。所有簇是否都是开放的直线和曲线？没有闭合曲线，比如圆
交叉线更难把握，你要么找到某种合并然后拆分的方法，要么你将合并标准设置为非常有利于共线性，那么你在交叉线上就幸运了。你能进一步定义相似性吗？据我所知，你们有n组m点，其中m的数量级为100k。你会用什么标准来说明任何两个集合是相似的？它们是否共享相同点的较大子集，即相同的x、y坐标，或者
两个集合中的坐标集合紧密叠加，即描述几何相似的二维对象的不同坐标。多亏了，我更关注后者，即它们描述相似的二维对象。让我解释一下我的用例，我有多个快速变化的散点图，并希望通过相似性对它们进行聚类。HTH和TIA互相关会有帮助吗？然而，我不知道如何使它的大小不变。我可以通过坐标的数量来正常化吗？各位有什么想法吗？为什么绿色和红色很相似？他们是彼此的镜像。考虑到这一点，你选择的任何算法都会增加复杂性。你能进一步定义相似性吗？据我所知，你们有n组m点，其中m的数量级为100k。你会用什么标准来说明任何两个集合是相似的？这是因为它们共享相同点的一大个子集，即相同的x、y坐标，还是两个集合中的坐标集紧密叠加，即描述几何相似的二维对象的不同坐标。多亏了，我更关注后者，即它们描述相似的二维对象。让我解释一下我的用例，我有多个快速变化的散点图，并希望通过相似性对它们进行聚类。HTH和TIA互相关会有帮助吗？然而，我不知道如何使它的大小不变。我可以通过坐标的数量来正常化吗？各位有什么想法吗？为什么绿色和红色很相似？他们是彼此的镜像。考虑到这一点，您选择的任何算法都会增加复杂性。谢谢，不幸的是，k-means似乎不太适合，因为n不是先验的。谢谢，不幸的是，k-means似乎不太适合，因为n不是先验的。这不完全是我想要的，但你的回应让我开始了一个好的方向。这不完全是我想要的，但你的回应让我开始了一个好的方向。