Python 局部敏感散列-R的查找概率和值

感谢那些回答了我之前的问题并让我走到这一步的人

我有一个大约25000个向量的表格，每个向量有48个维度，值从0到255不等

我正在尝试开发一种对位置敏感的Hash（）算法，用于查找近邻点或最近邻点

我当前的LSH功能是：

def lsh(vector, r = 1.0, a = None, b = None):
    if not a:
        a = [normalvariate(10, 4) for i in range(48)]
    if not b:
        b = uniform(0, r)
    hashVal = floor((sum([a[i]*vector[i] for i in range(48)]) + b)/r)
    return int(hashVal)

在这一点上，我的问题是：

A:我的代码中的“normalvariate（10，4）”部分是否有最佳值。这是在random.normalvariate（）函数中构建的pythons，我正在使用它生成“d维向量，其条目独立于稳定分布选择”。从我的实验来看，这些值似乎并不重要

B:在维基百科文章的顶部，它指出：

如果d（p，q）=cR，那么h（p）=h（q），概率最大为P2

这里提到的R值也是稳定分布部分提到的R值。（）

C:与我之前的问题（B）相关。我发现在hasing函数中使用较高的R值可以将向量映射到较小的散列值范围。有没有办法优化我的R值

---

D:一次大概可以使用多少张表？

给感兴趣的人。我发现了这篇文档（它对如何在高维空间中使用LSH进行了非常详细但复杂的解释）。

您可能想查看“元优化”——比如机器学习的堆栈溢出。

您的问题实际上不是python或编程问题，该社区可能会提供更多帮助