java - 欧氏距离，Scipy、纯Python、Java结果不同

Question

我正在研究欧几里得距离度量的不同实现，我注意到我得到了 Scipy、纯 Python 和 Java 的不同结果。

下面是我如何使用 Scipy(= 选项 1)计算距离:

distance = scipy.spatial.distance.euclidean(sample, training_vector)

这是我在论坛中找到的 Python 实现(选项 2):

distance = math.sqrt(sum([(a - b) ** 2 for a, b in zip(training_vector, sample)]))

最后，这是我在 Java 中的实现(选项 3):

public double distance(int[] a, int[] b) {
    assert a.length == b.length;
    double squaredDistance = 0.0;
    for(int i=0; i<a.length; i++){
        squaredDistance += Math.pow(a[i] - b[i], 2.0);
    }
    return Math.sqrt(squaredDistance);
}

sample 和 training_vector 都是长度为 784 的一维数组，取自 MNIST 数据集。我用相同的 sample 和 training_vector 尝试了所有三种方法。问题是三种不同的方法导致了三个明显不同的距离(即选项 1 大约在 1936 年左右，选项 2 大约在 1914 年左右，选项 3 大约在 1382 年左右)。有趣的是，当我在选项 1 和 2 中对 sample 和 training_vector 使用相同的参数顺序时(即将参数翻转到选项 1)，我得到了相同的结果两个选项。但是距离度量应该是对称的，对吧...？

同样有趣的是:我将这些指标用于 MNIST 数据集的 k-NN 分类器。对于 100 个测试样本和 2700 个训练样本，我的 Java 实现产生了大约 94% 的准确率。然而，使用选项 1 的 Python 实现只能产生大约 75% 的准确率......

关于为什么我会得到这些不同的结果，您有什么想法吗？如果您有兴趣，我可以在线发布两个阵列的 CSV，并在此处发布链接。

我正在使用 Java 8、Python 2.7 和 Scipy 1.0.0。

编辑:将选项 2 更改为

distance = math.sqrt(sum([(float(a) - float(b)) ** 2 for a, b in zip(training_vector, sample)]))

这有以下效果:

• 它摆脱了 ubyte 溢出警告(我之前一定错过了这个警告......)
• 更改选项 1 和 2 的参数顺序不再产生影响。
• 选项 2(纯 Python)和选项 3(Java)的结果现在相等

因此，这只会留下以下问题:为什么使用 SciPy 时结果不同(即错误？)？

Answer 1

好的，我找到了解决方案:我使用带有 dtype=np.uint8 的 pandas 导入了训练和测试数据集。因此，sample 和 training_vector 都是 uint8 类型的 numpy 数组。我将数据类型更改为 np.float32，现在我的所有三个选项都给出了相同的结果。我还尝试了 np.uint32，它也能正常工作。

我不太清楚为什么，但显然，在使用 uint8 时，SciPy 没有给出“预期”的结果。也许 SciPy 中有一些内部溢出？不太确定，但至少它现在有效。感谢所有提供帮助的人!