Метрика

Материал из MachineLearning.

Версия от 22:48, 9 июля 2026; Iurii Patrakov (Обсуждение | вклад)

(разн.) ← Предыдущая | Текущая версия (разн.) | Следующая → (разн.)

Статья написана с использованием LLM GPT-5.5 и проверена участником Iurii Patrakov 02:48, 10 июля 2026 (MSD)

Метрика — это функция расстояния на множестве объектов, которая каждой паре объектов ставит в соответствие неотрицательное число и удовлетворяет аксиомам тождества, симметрии и неравенства треугольника. В машинном обучении метрика задаёт, какие объекты считать близкими или похожими, а какие — существенно различными; от этого зависят кластеризация, метод ближайших соседей, поиск похожих объектов, понижение размерности и многие методы анализа данных. Следует отличать метрику как расстояние от метрики качества модели: точность, полнота, F-мера и другие показатели качества обычно являются числовыми критериями, но не обязательно являются метриками в математическом смысле.

Определение

Пусть $X$ — непустое множество. Функция

$d:X\times X\to [0,\infty)$

называется метрикой на $X$ , если для любых $x,y,z\in X$ выполнены условия:

$d(x,y)=0$ тогда и только тогда, когда $x=y$ ;
$d(x,y)=d(y,x)$ — симметрия;
$d(x,z)\leq d(x,y)+d(y,z)$ — неравенство треугольника.

Пара $(X,d)$ называется метрическим пространством. Интуитивно метрика формализует идею расстояния: объект находится на нулевом расстоянии только от самого себя, расстояние не зависит от порядка сравнения, а путь через промежуточную точку не короче прямого пути.

Если нарушается первое условие, говорят о псевдометрике: разные объекты могут иметь нулевое расстояние. Если нарушается симметрия, возникают квазиметрики, полезные для направленных графов, стоимостей перехода и некоторых задач ранжирования. В прикладных задачах также часто используют меры несходства, которые похожи на расстояния, но не обязаны удовлетворять всем аксиомам метрики.

Примеры

Наиболее распространённые метрики в анализе данных:

Евклидова метрика:

$d(x,y)=\sqrt{\sum_i (x_i-y_i)^2}$ .

Она соответствует обычному геометрическому расстоянию и часто используется для числовых признаков после нормировки.

Манхэттенская метрика:

$d(x,y)=\sum_i |x_i-y_i|$ .

Она измеряет расстояние как сумму покоординатных отличий и может быть устойчивее евклидовой метрики при разреженных или высокоразмерных данных.

Метрика Минковского:

$d_p(x,y)=\left(\sum_i |x_i-y_i|^p\right)^{1/p},\quad p\geq 1$ .

Евклидова и манхэттенская метрики являются её частными случаями.

Расстояние Чебышёва:

$d(x,y)=\max_i |x_i-y_i|$ .

Оно учитывает наибольшее покоординатное отклонение.

Расстояние Хэмминга — число несовпадающих позиций в строках или векторах одинаковой длины. Используется для бинарных признаков, кодов, категориальных описаний и задач исправления ошибок.

Расстояние редактирования Левенштейна — минимальное число вставок, удалений и замен символов, необходимых для преобразования одной строки в другую. Применяется в обработке текстов, биоинформатике и поиске опечаток.

Расстояние Жаккара для множеств:

$d(A,B)=1-\frac{|A\cap B|}{|A\cup B|}$ .

Используется для сравнения множеств признаков, словарей, покупательских корзин и других разреженных объектов.

Косинусная мера несходства часто определяется как $1-\cos(x,y)$ . Она популярна в информационном поиске и обработке текстов, но в таком виде не всегда является строгой метрикой. Для нормированных векторов вместо неё можно рассматривать угловое расстояние.

Исторический контекст

Понятие метрики выросло из геометрии и математического анализа. В классической геометрии расстояние было связано прежде всего с евклидовым пространством. В XIX веке развитие неевклидовой геометрии, теории функций и топологии привело к более абстрактному пониманию близости и сходимости. В начале XX века Морис Фреше ввёл аксиоматическое понятие метрического пространства, позволившее рассматривать расстояния между объектами произвольной природы: точками, функциями, последовательностями, множествами, строками и вероятностными распределениями.

Для анализа данных это обобщение оказалось принципиальным. Объектами могут быть не только точки в $\mathbb{R}^n$ , но и тексты, изображения, графы, временные ряды, пользователи, документы, молекулы или распределения. Задача исследователя состоит не только в выборе алгоритма, но и в выборе пространства, в котором сравнение объектов имеет содержательный смысл.

Роль в машинном обучении

Метрика отвечает на один из базовых вопросов искусственного интеллекта: что значит быть похожим? Во многих алгоритмах это не техническая деталь, а часть постановки задачи.

В методе ближайших соседей предсказание для нового объекта определяется объектами обучающей выборки, находящимися на минимальном расстоянии. В кластеризации метрика задаёт форму и смысл кластеров: при евклидовой метрике близость геометрическая, при расстоянии Жаккара — основана на совпадении множеств, при редактировании — на сходстве строк. В методах с ядрами расстояния и меры сходства определяют, какие объекты модель считает близкими в неявном признаковом пространстве. В поиске ближайших соседей и рекомендательных системах метрика влияет на то, какие документы, товары или пользователи будут найдены как похожие.

Метрика также важна для обучения без учителя, где нет целевой переменной, явно задающей правильный ответ. В таких задачах выбранное расстояние фактически задаёт гипотезу о структуре данных. Например, два текста могут быть близки по теме, по стилю, по длине, по автору или по набору ключевых слов; разные метрики выделят разные виды сходства.

Метрика и признаки

Метрика почти никогда не существует независимо от представления данных. Если признаки измеряются в разных шкалах, евклидово расстояние может стать бессмысленным: признак с большими численными значениями будет доминировать над остальными. Поэтому перед применением метрических методов часто выполняют нормировку, стандартизацию, отбор признаков или понижение размерности.

Особенно важна проблема смешанных данных: числовые, категориальные, текстовые и пропущенные признаки требуют разных способов сравнения. Простая замена категорий числами может создать ложный порядок и исказить расстояния. В таких случаях используют специализированные меры несходства, комбинированные метрики или обучаемые представления.

Обучение метрики

Обучение метрики — это семейство методов, в которых расстояние не задаётся вручную, а подбирается по данным. Цель состоит в том, чтобы объекты одного класса, одной семантической группы или одной пользовательской категории оказывались ближе друг к другу, а разные — дальше.

Один из классических вариантов — обучение матрицы в расстоянии Махаланобиса:

$d_M(x,y)=\sqrt{(x-y)^T M (x-y)},\quad M\succeq 0$ ,

где матрица $M$ задаёт веса признаков и связи между ними. Если $M$ положительно полуопределена, такое расстояние является метрикой или псевдометрикой в зависимости от ранга матрицы.

В современных нейросетевых методах распространено обучение вложений: модель переводит объект в векторное пространство, где близость отражает нужное отношение сходства. Такой подход используется в распознавании лиц, поиске изображений, семантическом поиске, рекомендациях и обработке естественного языка. Обучение может опираться на пары похожих и непохожих объектов, тройки «якорь — положительный пример — отрицательный пример» или на контрастивные функции потерь.

Метрики качества моделей

В прикладном машинном обучении слово «метрика» часто означает не расстояние между объектами, а показатель качества алгоритма. Например, для классификации используют точность, полноту, F-меру, долю правильных ответов, площадь под ROC-кривой; для регрессии — среднюю абсолютную ошибку, среднеквадратичную ошибку и коэффициент детерминации.

Эти показатели лучше называть метриками качества или критериями качества. Они помогают сравнивать модели, выбирать порог решения, контролировать переобучение и согласовывать модель с прикладной целью. Однако они не обязаны удовлетворять аксиомам расстояния. Например, F-мера — это агрегированный показатель баланса точности и полноты, а не расстояние между двумя объектами.

Выбор метрики качества должен соответствовать цене ошибок. В медицинской диагностике, кредитном скоринге, промышленном контроле и модерации контента ошибки разных типов имеют разную стоимость. Поэтому высокая средняя точность может скрывать неприемлемые риски: модель может хорошо работать на большинстве объектов и плохо — на редких, но важных случаях.

Применения

Метрики и меры несходства применяются в следующих задачах:

классификация методом ближайших соседей;
кластеризация и оценка структуры данных;
поиск похожих изображений, документов, пользователей и товаров;
дедупликация записей и сопоставление сущностей;
обработка текстов, строк и биологических последовательностей;
анализ графов и социальных сетей;
обнаружение аномалий;
построение рекомендательных систем;
оценка качества моделей;
контроль справедливости и устойчивости алгоритмов.

В каждом случае метрика задаёт прикладной смысл близости. Например, в рекомендательной системе близость пользователей может означать сходство покупок, интересов, оценок или поведения во времени. В биоинформатике расстояние между последовательностями связано с вероятными мутациями. В компьютерном зрении расстояние между изображениями может вычисляться не по пикселям, а по признакам, извлечённым нейронной сетью.

Ограничения

Метрики полезны, но их применение имеет ряд ограничений.

Во-первых, в высоких размерностях возникает проклятие размерности: расстояния между объектами становятся менее различимыми, а понятие ближайшего соседа теряет устойчивость. Это особенно заметно при разреженных данных и большом числе нерелевантных признаков.

Во-вторых, выбранная метрика может не соответствовать предметной области. Евклидово расстояние между необработанными пикселями изображения часто плохо отражает визуальное сходство. Два предложения могут иметь разные слова, но один смысл; и наоборот, почти одинаковые строки могут иметь разный смысл.

В-третьих, метрика может наследовать смещения данных. Если представление объектов содержит социально чувствительные или косвенно связанные с ними признаки, то расстояние может закреплять нежелательные различия. В исследованиях справедливости алгоритмов это приводит к вопросу: кто и на каких основаниях определяет, какие люди или случаи являются «похожими»?

В-четвёртых, многие практически удобные меры сходства не являются метриками. Это не всегда плохо, но важно понимать последствия: часть алгоритмов и структур данных опирается на неравенство треугольника, а при его нарушении могут исчезнуть теоретические гарантии и ускорения поиска.

Современные направления

Современные исследования метрик связаны с несколькими направлениями.

Обучение представлений (англ. representation learning): построение таких векторных описаний объектов, где простая метрика отражает сложное семантическое сходство.
Контрастивное обучение (англ. contrastive learning): обучение моделей на сравнении похожих и непохожих примеров.
Метрики для мультимодальных данных: совместное сравнение текста, изображения, звука, видео и табличных признаков.
Оптимальный транспорт и расстояние Вассерштейна: сравнение распределений, применяемое в генеративных моделях, доменной адаптации и анализе распределений признаков.
Справедливые метрики: исследование того, как формализовать принцип «похожие индивиды должны получать похожие решения» без усиления социальных смещений.
Приближённый поиск ближайших соседей: масштабирование метрических методов на миллионы и миллиарды объектов.
Робастные метрики: расстояния, менее чувствительные к выбросам, шуму и сдвигу распределения данных.

Эти направления показывают, что метрика в ИИ — не только математическая формальность. Она является способом выразить знание о предметной области, ограничение на поведение модели и инструмент связи между данными, алгоритмом и прикладной целью.

См. также

Литература

Фреше М. Sur quelques points du calcul fonctionnel. Rendiconti del Circolo Matematico di Palermo, 1906.
Burago D., Burago Y., Ivanov S. A Course in Metric Geometry. American Mathematical Society, 2001.
Deza M. M., Deza E. Encyclopedia of Distances. Springer, 2016.
Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. Springer, 2009.
Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
Murphy K. P. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
Rousseeuw P. J. Silhouettes: A Graphical Aid to the Interpretation and Validation of Cluster Analysis. Journal of Computational and Applied Mathematics, 1987.
Dwork C., Hardt M., Pitassi T., Reingold O., Zemel R. Fairness Through Awareness. Proceedings of ITCS, 2012.

Ссылки

Encyclopedia of Distances — справочник по расстояниям и мерам несходства.
The Elements of Statistical Learning — открытая страница книги Hastie, Tibshirani, Friedman.
Metrics and scoring; pairwise metrics — документация scikit-learn по метрикам качества и попарным расстояниям.
Fairness Through Awareness — статья о роли метрики сходства в алгоритмической справедливости.

Источник — «http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%B5%D1%82%D1%80%D0%B8%D0%BA%D0%B0»

Категории: Машинное обучение | Анализ данных | Математика | Метрические методы