我的特征向量包含连续(或范围广泛)和二进制组件。如果我仅使用欧几里得距离,那么连续组件的影响将更大:
将对称和非对称表示为0和1,以及一些不太重要的比率从0到100变化,从对称变为非对称与比率增加25相比,距离影响微不足道。
我可以增加对称性的权重(例如通过将其设置为0或100),但是否有更好的方法呢?
我的特征向量包含连续(或范围广泛)和二进制组件。如果我仅使用欧几里得距离,那么连续组件的影响将更大:
将对称和非对称表示为0和1,以及一些不太重要的比率从0到100变化,从对称变为非对称与比率增加25相比,距离影响微不足道。
我可以增加对称性的权重(例如通过将其设置为0或100),但是否有更好的方法呢?
ev_scaled = (ev_raw - ev_min) / (ev_max - ev_min)
ev_scaled = function(x) {
(x - min(x)) / (max(x) - min(x))
}
它的工作方式如下:
# generate some data:
# v1, v2 are two expectation variables in the same dataset
# but have very different 'scale':
> v1 = seq(100, 550, 50)
> v1
[1] 100 150 200 250 300 350 400 450 500 550
> v2 = sort(sample(seq(.1, 20, .1), 10))
> v2
[1] 0.2 3.5 5.1 5.6 8.0 8.3 9.9 11.3 15.5 19.4
> mean(v1)
[1] 325
> mean(v2)
[1] 8.68
# now normalize v1 & v2 using the function above:
> v1_scaled = ev_scaled(v1)
> v1_scaled
[1] 0.000 0.111 0.222 0.333 0.444 0.556 0.667 0.778 0.889 1.000
> v2_scaled = ev_scaled(v2)
> v2_scaled
[1] 0.000 0.172 0.255 0.281 0.406 0.422 0.505 0.578 0.797 1.000
> mean(v1_scaled)
[1] 0.5
> mean(v2_scaled)
[1] 0.442
> range(v1_scaled)
[1] 0 1
> range(v2_scaled)
[1] 0 1