我有兩組不同的 xy 坐標要比較。這些集合的大小不同，但我想計算兩者之間的某種相似性指數。例子： Set1 = [(1,2), (3,6), (7,8)]
Set2 = [(2,2), (3,5)]我正在尋找的度量/算法的目標是評估預測算法在找到相對于已知地面實況點集的點時的“準確性”。我曾嘗試采用相對于最近預測點的地面實況點的最小距離，但作為一個指標無法量化/懲罰過度預測的錯誤。示例 我要比較的兩個數據集的散點圖
1 回答
慕尼黑的夜晚無繁華
TA貢獻1864條經驗 獲得超6個贊
使用您選擇的內核估計地面實況和預測數據集的密度。選擇哪個內核取決于領域；盒內核或 RBF 可能是一個合理的選擇。
計算這些密度之間的差異。散度的概念再次取決于您，均方距離或 KL 散度可能會起作用。
使用框核和均方實現：
from scipy.signal import convolve2d
# constants: don't forget to replace with your own values
x_width, y_width = 10, 10
kernel_width = 3
gt_field = np.zeros((x_width, y_width))
prediction_field = gt_field.copy()
# split Set1 into two lists of x and y coordinates
# then set these points to 1
gt_field[list(zip(*Set1))] = 1
prediction_field[list(zip(*Set2))] = 1
# using box kernel as the simplest one
kernel = np.ones((kernel_width, kernel_width)) / kernel_width ** 2
# apply kernel - now we have densities
gt_field = convolve2d(gt_field, kernel)
prediction_field = convolve2d(prediction_field, kernel)
# calculate mean squared error
mse = ((gt_field - prediction_field) ** 2).mean()
我很確定有一種更有效的方法來實現它，但即使這樣也應該像示例圖片那樣在幾百個點上工作。
添加回答
舉報
0/150
提交
取消