Etäisyysperusteiset

Etäisyysperusteiset menetelmät ovat tilastollisia ja koneoppimisen menetelmiä, jotka perustuvat kohteiden välisten etäisyyksien tai erojen mittaamiseen. Näitä mittareita käyttämällä voidaan arvioida samankaltaisuuksia, ryhmitellä havaintoja sekä havaita poikkeavuuksia ilman tarvetta muodostaa täysin parametrista mallia.

Yleisimmät etäisyysmittarit ovat euklidinen etäisyys, manhattan- eli L1-etäisyys sekä Minkowski-etäisyys. Lisäksi käytetään kosinietäisyyttä (1 minus cosine-similarity) sekä Jaccard-etäisyyttä, erityisesti binääridatan yhteydessä. Osa mittareista on metriikkaisia (ne täyttävät epänegatiivisuuden, identtisyyden, symmetrian ja kolmioepäyhtälön), toiset eivät.

Käyttökohteisiin kuuluu klusterointi (esim. k-means, hierarkkinen klusterointi), lähimmän naapurin luokittelu (k-NN), poikkeavuuksien havaitseminen sekä hajautettu tai visuaalinen esittäminen esimerkiksi monidimensionaalisella skaalauksella (MDS). Etäisyyspohjaiset menetelmät soveltuvat myös recommender- ja rekonstruointisovelluksiin, kun käytetään asianmukaisia etäisyysmittareita.

Ominaisuuksiin kuuluu intuitiivisuus ja vapaus parametrisesta mallista, mikä tekee niistä joustavia monenlaisiin datatyyppeihin. Niiden tehokas käyttö edellyttää kuitenkin oikean etäisyysmittarin valintaa, normaalisointia tai skaalauksen toteuttamista sekä huolellista harkintaa ulottuvuuden vaikutuksesta. Korkea ulottuvuus ja puuttuvat arvot voivat haitata suorituskykyä, jolloin jäsentely- ja täydennysstrategiat ovat tarpeen.

Etäisyysperusteiset menetelmät muodostavat tärkeän osan data-analyysin perusvälineistöä, erityisesti tilanteissa, joissa ei haluta tai pystytä tekemään vahvasti parametrisointiin perustuvia malleja.