etäisyysperusteisilla

Etäisyysperusteiset menetelmät ovat tilastollisessa analyysissä ja koneoppimisessa käytettyjä lähestymistapoja, joissa datapisteiden välinen etäisyys määrittää analyysin tulokset. Ne perustuvat etäisyysfunktion arvoon, joka mittaa esimerkiksi kuinka lähellä toisiaan kaksi havaintoa ovat.

Yleisimmät etäisyysmittarit ovat Euclidinen etäisyys, Manhattan-etäisyys ja Minkowski-etäetäisyys. Kosinietäisyys mittaa vektorien välisen kulman erotusta ja on hyödyllinen, kun tarkoituksena on arvioida suunnan samankaltaisuutta. Gowerin etäisyys soveltuu sekä numeerisille että kategorisille tiedoille. Osa menetelmistä käyttää muunneltuja tai yhdistettyjä mittareita.

Sovelluksia ovat muun muassa k-nearest neighbours (k-NN) -luokittelu, klusterointi (k-means ja hierarkkinen klusterointi) sekä tiheysperusteiset menetelmät kuten DBSCAN, joissa etäisyydet määrittävät naapuruston ja yhteydet. Etäisyysperusteisia menetelmiä hyödynnetään myös poikkeavuuksien tunnistuksessa ja lähimmien pisteiden kartoituksessa.

Käytössä on otettava huomioon tiedon esikäsittely: skaalaus tai standardointi, koska eri ominaisuudet voivat painottaa etäisyyksiä eri tavoin. Korkea ulottuvuus ja curse of dimensionality voivat heikentää tuloksia, jolloin valitaan sopiva etäisyysmittari tai käytetään dimensioiden pienentämistä. Suurissa aineistoissa etäisyyksien laskenta voi olla kustannuksiltaan kallista, jolloin käytetään lähdekoodin optimointeja tai indeksointia (esim. kd-puut, ball-trees).

Etäisyysperusteiset menetelmät ovat laajasti käytössä eri tieteenaloilla, kuten tilastotieteessä, informaatiohakussa, bioinformatiikassa ja konenäössä, ja termiä käytetään yleisesti kuvaamaan menetelmiä, joissa etäisyydet ovat päätöksiä ohjaava perusta.