建立自己的网站平台需多少钱,前端电视剧,郑州妇科医院哪家好些,乐清柳市网1 介绍
精准最近邻搜索中数据维度一般较低#xff0c;所以会采用穷举搜索#xff0c;即在数据库中依次计算其中样本与所查询数据之间的距离#xff0c;抽取出所计算出来的距离最小的样本即为所要查找的最近邻。 当数据量非常大的时候#xff0c;搜索效率急剧下降。——所以会采用穷举搜索即在数据库中依次计算其中样本与所查询数据之间的距离抽取出所计算出来的距离最小的样本即为所要查找的最近邻。 当数据量非常大的时候搜索效率急剧下降。——近似最近邻查找Approximate Nearest Neighbor Search简称 ANN是一种在大规模数据集中查找与给定查询点最相似或“最近”的数据点的优化算法。与精确最近邻查找不同近似最近邻查找不保证找到绝对最近的邻居但它通常比精确方法更快尤其是在高维数据空间中。 在牺牲可接受范围内的精度的情况下提高检索效率近似最近邻检索利用数据量增大后数据之间会形成簇状聚集分布的特性通过对数据分析聚类的方法对数据库中的数据进行分类或编码对于目标数据根据其数据特征预测其所属的数据类别返回类别中的部分或全部作为检索结果。
2 KD 树
算法笔记KD树_UQI-LIUWJ的博客-CSDN博客
3 球树
算法笔记球树_UQI-LIUWJ的博客-CSDN博客
KD树和球树通常用于精确最近邻查找但也可以用于近似最近邻查找 限制搜索深度 在构建KD树/球树的过程中每个节点都会分割其包含的数据点。在查找最近邻时通常会遍历这些节点以找到最近的点通过限制搜索深度可以减少搜索时间但这可能会导致找到的点不是真正的最近邻 早停准则 在搜索过程中一旦找到一个与查询点距离在某个阈值范围内的点就停止搜索。 这样可以加速查找过程但可能会错过更近的点。
4 LSH 局部敏感哈希locality-sensitive hashing
LSH的基本思想是将相近的点映射到相同或相近的“桶”bucket中以便能快速地检索这些点。
4.1 几个概念 哈希函数族: 选择一个局部敏感的哈希函数族该函数族具有一个重要的性质距离近的点被哈希到相同桶的概率高而距离远的点被哈希到相同桶的概率低。 局部敏感 一个局部敏感的哈希函数族 H 对于任意两个点 p 和 q以及任意两个距离阈值 R 和 rRr具有以下性质 正性质: 如果 distance(p,q)≤r则 h(p)h(q) 的概率较高。 也就是说如果两个点 p 和 q 距离很近那么它们被哈希到同一个桶的概率应该很高。 负性质: 如果distance(p,q)≥R则 h(p)h(q) 的概率较低。 也就是说如果两个点 p 和 q 距离很远那么它们被哈希到同一个桶的概率应该很低。 多哈希表: 通常使用多个这样的哈希表以增加查找精度。 候选集生成: 对于一个查询点首先计算其哈希值并在相应的桶中查找候选点。 后处理: 在候选集中进行距离计算以找到最近邻
