k-近邻学习是一种常用的监督学习方法，其工作机制非常简单：给定测试样本，基于某种距离度量找出训练集中与其靠近的......

An Overview of Distance Metric Learning (by Liu Yang)，特别经典的度量学习综述论文，英文文档。

Python中的度量学习算法集合

无监督距离度量学习工具包：Matlab中无监督距离度量学习工具包

降级本地距离度量学习 黄银杰 中央佛罗里达大学 2013年 ＃＃＃内容＃＃＃ 一般信息 要求 安装 用法 引文 =========================================== ＃＃＃一般信息＃＃＃ 编写该软件以实现算法“降秩本地距离度量学习”。 版权归作者所有。 ＃＃＃要求＃＃＃ 要运行此软件，您需要安装以下组件： MathWorks MATLAB ＃＃＃安装＃＃＃ 该软件不需要任何安装。 只需将文件放到文件夹中即可。 ＃＃＃用法＃＃＃ 请将数据集放在“数据”文件夹中。 数据格式为“ <维度+1> X <数据数>>”。 最后一行是数据的标签。 要运行该软件，请运行文件“ Demo.m”，可以在其中设置许多参数。 请参考该论文如何设置这些参数。 如果要保存测试结果标签，请转到“ \ Functions \ R2LML”。 取消第81行的注释。标

目前，机器学习中的K近邻(KNN)分类算法和支持向量机(SVM)算法被认为是处理文本分类的最好方法。但KNN分类算法有以下的缺陷： KNN是基于近邻度量的一种模式分类算法，它高度依赖于数据间的相似度度量，简单的欧式距离在实际应用时，由于不考虑不同维度之间对分类的影响以及输入数据数据维数高的问题，往往不能取得良好的分类效果。 KNN 分类算法虽然可以一定情况下克服数据偏斜带来的分类误差，但是这也是造成它对样本密度分布敏感的主要原因，当类间密度高度分布不均时，分类效果会有较大的影响。

VoxCeleb教练 该存储库包含用于培训演讲者识别模型的框架，该文章在“捍卫说话者识别的度量学习”一文中进行了描述。 依存关系 pip install -r requirements.txt 资料准备 以下脚本可用于下载和准备VoxCeleb数据集以进行培训。 python ./dataprep.py --save_path data --download --user USERNAME --password PASSWORD python ./dataprep.py --save_path data --extract python ./dataprep.py --save_path data --convert 为了使用数据扩充，还运行： python ./dataprep.py --save_path data --augment 除Python依赖项外，必须在系统上安装wg

二摘代码MATLAB LOMO_XQDA 通过局部最大出现表示和度量学习对人员进行重新识别 介绍 该MATLAB包提供了我们的CVPR 2015论文[1]中提出的LOMO特征提取和XQDA度量学习算法。 项目页面： 内容 该软件包包含以下组件。 / code：用于LOMO特征提取和XQDA度量学习算法的MATLAB代码，以及两个演示如何使用这两种算法的演示。 为了评估目的，还提供了两个用于计算马氏距离和CMC曲线的函数。 / bin：用于Retinex图像预处理的MEX函数。 由于不允许发布其源代码，因此我们为Windows和Linux，x86和x64平台提供MEX函数。 / images：VIPeR数据库中的两个示例图像，用于演示LOMO功能提取。 / data：为VIPeR，QMUL Grid，中大校园和CUHK03数据库提取的LOMO功能。 由于功能文件的大小，它们作为单独的下载提供。 /结果：在我们的CVPR 2015论文中报告的CMC曲线。 您可以绘制这些曲线以进行性能比较。 用法 为了快速入门，请运行Demo_LOMO.m代码以进行特征提取演示，然后将已提取的LOMO特征从

第十章 降维与度量学习10.0 本章线性代数基础知识本部分内容参考于<线性代数(第五版)>以及"彬彬有礼的专栏", 博客地址: https://blog.csd

多元时间序列 (MTS) 数据集广泛存在于众多领域，包括医疗保健、多媒体、金融和生物识别。 由于MTS是许多计算机视觉和模式识别应用中的重要元素，因此如何准确地对MTS进行分类已成为研究的热点。 在代码中，我们为 MTS 分类提出了基于马氏距离的动态时间规整 (MDDTW) 度量。 Mahalanobis 距离在每个变量与其对应的类别之间建立了准确的关系。 它用于计算 MTS 中​​向量之间的局部距离。 然后我们使用动态时间扭曲 (DTW) 来对齐那些不同步或长度不同的 MTS。 同时，我们使用基于 LogDet 散度的三元组约束（LDMLT）模型来学习具有高精度和鲁棒性的 Mahalanobis 矩阵。 此外，我们还演示了代码在 MTS 数据“JapaneseVowels”上的性能。