Python 不确定点的最近邻
我有两个2D点集Python 不确定点的最近邻,python,scikit-learn,nearest-neighbor,mahalanobis,Python,Scikit Learn,Nearest Neighbor,Mahalanobis,我有两个2D点集A和B。我想为B中的每个点找到A中的第一个最近邻。 但是,我处理的是不确定点(即点具有平均值(2D向量)和2*2协方差矩阵) 因此,我希望使用马氏距离,但在scikit learn(例如)中,我无法为每个点传递协方差矩阵,因为它需要一个协方差矩阵 目前,仅考虑平均位置(即2D正态分布的平均值),我有: 对于我的不确定点,我宁愿计算(在a中的点a和b中的点b之间)它们的马氏距离: d(a, b) = sqrt( transpose(mu_a-mu_b) * C * (mu_a-mu
A
和B
。我想为B
中的每个点找到A
中的第一个最近邻。
但是,我处理的是不确定点(即点具有平均值(2D向量)和2*2协方差矩阵)
因此,我希望使用马氏距离,但在scikit learn
(例如)中,我无法为每个点传递协方差矩阵,因为它需要一个协方差矩阵
目前,仅考虑平均位置(即2D正态分布的平均值),我有:
对于我的不确定点,我宁愿计算(在a
中的点a
和b
中的点b
之间)它们的马氏距离:
d(a, b) = sqrt( transpose(mu_a-mu_b) * C * (mu_a-mu_b))
def my_mahalanobis_distance(x, y):
'''
x: array of shape (4,) x[0]: mu_x_1, x[1]: mu_x_2,
x[2]: cov_x_11, x[3]: cov_x_22
y: array of shape (4,) y[0]: mu_ y_1, y[1]: mu_y_2,
y[2]: cov_y_11, y[3]: cov_y_22
'''
return sp.spatial.distance.mahalanobis(x[:2], y[:2],
np.linalg.inv(np.diag(x[2:])
+ np.diag(y[2:])))
其中C=inv(cov_a+cov_b)
其中
mu_a
(respmu_b
)和cov_a
(respcov_b
)是不确定点a
(respb
)的二维均值和2*2协方差矩阵.您可以使用自己的距离函数,通过简单的列表理解来实现KNN解决方案。这是一个使用内置于OpenCV库中的Mahalanobis距离实现的示例
import numpy as np
import cv2
np_gallery=np.array(gallery)
np_query=np.array(query)
K=12
ids=[]
def insertionsort(comp_list):
for i in range( 1, len(comp_list)):
tmp = comp_list[i]
k = min(i,K)
while k > 0 and tmp[1] < comp_list[k - 1][1]:
comp_list[k] = comp_list[k - 1]
k -= 1
comp_list[k] = tmp
def search():
for q in np_query:
c = [(i,cv2.Mahalanobis(q, x, icovar)) for i, x in enumerate(np_gallery)]
insertionsort(c)
ids.append(map(lambda tup: tup[0], c[0:K]))
在第一种情况下,我使用了一种插入排序的变体,并考虑了参数K。当N>>K我使用自定义距离时,这种方法会更有效:
d(a, b) = sqrt( transpose(mu_a-mu_b) * C * (mu_a-mu_b))
def my_mahalanobis_distance(x, y):
'''
x: array of shape (4,) x[0]: mu_x_1, x[1]: mu_x_2,
x[2]: cov_x_11, x[3]: cov_x_22
y: array of shape (4,) y[0]: mu_ y_1, y[1]: mu_y_2,
y[2]: cov_y_11, y[3]: cov_y_22
'''
return sp.spatial.distance.mahalanobis(x[:2], y[:2],
np.linalg.inv(np.diag(x[2:])
+ np.diag(y[2:])))
因此,点具有4个特征:
和x
坐标y
和x
方差(在我的例子中,协方差矩阵是对角的)y