AlgorithmStar 度量 计算组件

AlgorithmStar

本文将会基于 AlgorithmStar 1.40 以及以上的版本来演示，度量 计算 组件 的使用！

目录

获取到依赖库

在这里我们直接通过 maven 来将依赖库文件导入到我们的项目中，只需要在 pom.xml 中输入下面的依赖坐标即可！

    <dependencies>
        <!-- Binding using the adapter of log4j2 -->
        <dependency>
            <groupId>org.apache.logging.log4j</groupId>
            <artifactId>log4j-slf4j-impl</artifactId>
            <version>2.20.0</version>
            <!--<scope>provided</scope>-->
        </dependency>

        <!-- Log4j2 log facade -->
        <dependency>
            <groupId>org.apache.logging.log4j</groupId>
            <artifactId>log4j-api</artifactId>
            <version>2.20.0</version>
            <!--<scope>provided</scope>-->
        </dependency>

        <!-- Log4j2 log real surface -->
        <dependency>
            <groupId>org.apache.logging.log4j</groupId>
            <artifactId>log4j-core</artifactId>
            <version>2.20.0</version>
            <!--<scope>provided</scope>-->
        </dependency>

        <dependency>
            <groupId>io.github.BeardedManZhao</groupId>
            <artifactId>algorithmStar</artifactId>
            <version>1.40</version>
        </dependency>
    </dependencies>

度量计算组件 计算实例

距离算法主要就是针对两个坐标之间的距离进行研究与计算，著名的欧几里德为例，距离算法的使用如下所示，其它计算组件的使用方式与欧几里得相同，其它组件在下面也有介绍。

计算组件类型	支持版本	功能
io.github.beardedManZhao.algorithmStar.algorithm.distanceAlgorithm.EuclideanMetric	v1.0	计算欧几里得距离
io.github.beardedManZhao.algorithmStar.algorithm.distanceAlgorithm.CanberraDistance	v1.0	计算堪培拉距离
io.github.beardedManZhao.algorithmStar.algorithm.distanceAlgorithm.ChebyshevDistance	v1.0	计算切比雪夫距离
io.github.beardedManZhao.algorithmStar.algorithm.distanceAlgorithm.CosineDistance	v1.0	计算向量余弦度量
io.github.beardedManZhao.algorithmStar.algorithm.distanceAlgorithm.HausdorffDistance	v1.0	计算豪斯多夫距离
io.github.beardedManZhao.algorithmStar.algorithm.distanceAlgorithm.ManhattanDistance	v1.0	计算曼哈顿距离
io.github.beardedManZhao.algorithmStar.algorithm.distanceAlgorithm.MinkowskiDistance	v1.0	计算闵可夫斯基距离
io.github.beardedManZhao.algorithmStar.algorithm.distanceAlgorithm.StandardizedEuclideanDistance	v1.0	计算标准化欧几里得度量

距离计算代表 - 欧几里德距离计算组件

此计算组件所计算的数值会随着数据的区别增大而增大，它返回的是距离！

package top.lingyuzhao;

import io.github.beardedManZhao.algorithmStar.algorithm.distanceAlgorithm.EuclideanMetric;
import io.github.beardedManZhao.algorithmStar.core.AlgorithmStar;
import io.github.beardedManZhao.algorithmStar.core.VectorFactory;
import io.github.beardedManZhao.algorithmStar.operands.coordinate.FloatingPointCoordinates;
import io.github.beardedManZhao.algorithmStar.operands.vector.IntegerVector;

/**
 * @author zhao
 */
public final class MAIN {
    public static void main(String[] args) {
        // 构建两个向量对象 分别是 [ 1 2 3 4 5 6 7 8 9 10 ] 以及 [ 1 2 3 4 5 6 7 8 90 10 ]
        final VectorFactory vectorFactory = AlgorithmStar.vectorFactory();
        final IntegerVector integerVector1 = vectorFactory.parseVector(1, 2, 3, 4, 5, 6, 7, 8, 9, 10);
        final IntegerVector integerVector2 = vectorFactory.parseVector(1, 2, 3, 4, 5, 6, 7, 8, 90, 10);

        // 获取到计算组件 这个计算组件是 德式度量 计算组件
        final EuclideanMetric<?, FloatingPointCoordinates<?>> euclideanMetric = EuclideanMetric.getInstance("euclideanMetric");

        // 打印一下两个向量
        System.out.println(integerVector1);
        System.out.println(integerVector2);

        // 构建一个 AS 库计算对象 我们只需要把 计算组件 和 被计算的操作数 传递给它就可以啦
        final AlgorithmStar<?, ?> instance = AlgorithmStar.getInstance();

        // 获取到 第一个向量与第一个向量的距离 不需要担心 toArray 的性能问题，其获取到的是向量对象中的引用
        // TODO 因为我们在计算的时候是不需要进行修改的操作，因此我们可以直接获取到引用，请注意，如果需要修改的话，请使用 copyToNewArray 方法
        final double trueDistance1 = instance.getTrueDistance(euclideanMetric, integerVector1.toArray(), integerVector1.toArray());
        System.out.println(trueDistance1);

        // 获取到 第一个向量与第二个向量的距离
        final double trueDistance2 = instance.getTrueDistance(euclideanMetric, integerVector1.toArray(), integerVector2.toArray());
        System.out.println(trueDistance2);
    }
}

下面是计算结果

[ 1 2 3 4 5 6 7 8 9 10 ]
[ 1 2 3 4 5 6 7 8 90 10 ]
0.0
81.0

相似度系数计算代表 - 向量余弦距离计算组件

此计算操作中返回的是两个被比较对象的相似度，其越是接近1，就越是相似，在下面我们进行了一个演示。

package top.lingyuzhao;

import io.github.beardedManZhao.algorithmStar.algorithm.distanceAlgorithm.CosineDistance;
import io.github.beardedManZhao.algorithmStar.core.AlgorithmStar;
import io.github.beardedManZhao.algorithmStar.core.VectorFactory;
import io.github.beardedManZhao.algorithmStar.operands.vector.IntegerVector;

/**
 * @author zhao
 */
public final class MAIN {
    public static void main(String[] args) {
        // 构建两个向量对象 分别是 [ 1 2 3 4 5 6 7 8 9 10 ] 以及 [ 1 2 3 4 5 6 7 8 90 10 ]
        final VectorFactory vectorFactory = AlgorithmStar.vectorFactory();
        final IntegerVector integerVector1 = vectorFactory.parseVector(1, 2, 3, 4, 5, 6, 7, 8, 9, 10);
        final IntegerVector integerVector2 = vectorFactory.parseVector(1, 2, 3, 4, 5, 6, 7, 8, 90, 10);

        // 获取到计算组件 这个计算组件是 向量余弦距离 计算组件
        final CosineDistance<IntegerVector> cos = CosineDistance.getInstance("cos");

        // 打印一下两个向量
        System.out.println(integerVector1);
        System.out.println(integerVector2);

        // 构建一个 AS 库计算对象
        final AlgorithmStar<?, ?> instance = AlgorithmStar.getInstance();

        // 获取到 第一个向量与第一个向量的距离 不需要担心 toArray 的性能问题，其获取到的是向量对象中的引用
        // TODO 因为我们在计算的时候是不需要进行修改的操作，因此我们可以直接获取到引用，请注意，如果需要修改的话，请使用 copyToNewArray 方法
        final double trueDistance1 = instance.getTrueDistance(cos, integerVector1.toArray(), integerVector1.toArray());
        System.out.println(trueDistance1);

        // 获取到 第一个向量与第二个向量的距离
        final double trueDistance2 = instance.getTrueDistance(cos, integerVector1.toArray(), integerVector2.toArray());
        System.out.println(trueDistance2);
    }
}

下面是计算结果

[ 1 2 3 4 5 6 7 8 9 10 ]
[ 1 2 3 4 5 6 7 8 90 10 ]
1.0664819944598338
0.6443030653556969

其它计算组件

在上面的例子中，我们演示的就是两种计算组件的代表，实际上，每一个计算组件都有其特别之处，在 AS机器学习库中，这类计算组件都属于 io.github.beardedManZhao.algorithmStar.algorithm.distanceAlgorithm.DistanceAlgorithm 类的子类，因此想要使用更多计算组件，您可以修改上面例子中的 “获取计算组件” 操作！