混雜數(shù)據(jù)的多核幾何平均度量學習

　　在機器學習和模式識別任務中，選擇一種合適的距離度量方法是至關重要的，度量學習主要利用判別性信息學習一個馬氏距離或相似性度量．然而，大多數(shù)現(xiàn)有的度量學習方法都是針對數(shù)值型數(shù)據(jù)的，對于一些有結構的數(shù)據(jù)（比如符號型數(shù)據(jù)），用傳統(tǒng)的距離度量來度量兩個對象之間的相似性是不合理的；其次，大多數(shù)度量學習方法會受到維度的困擾，高維度使得訓練時間長。模型的可擴展性差．提出了一種基于幾何平均的混雜數(shù)據(jù)度量學習方法．采用不同的核函數(shù)將數(shù)值型數(shù)據(jù)和符號型數(shù)據(jù)分別映射到可再生核希爾伯特空間，從而避免了特征的高維度帶來的負面影響．同時。提出了一個基于幾何平均的多核度量學習模型。將混雜數(shù)據(jù)的度量學習問題轉化為求黎曼流形上兩個點的中心點問題．在UCI數(shù)據(jù)集上的實驗結果表明。針對混雜數(shù)據(jù)的多核度量學習方法與現(xiàn)有的度量學習方法相比。在準確性方面展現(xiàn)出更優(yōu)異的性能．