面向数值数据集相似性度量方法的实证比较

用于量化数据集相似性的方法在需要比较两个或多个数据集或其底层分布的应用中具有重要意义，涵盖两样本测试、k样本测试以及机器学习和合成数据生成等应用。文献中有许多用于量化数据集相似性的方法，但由于缺乏中性比较研究，导致难以确定在何种情况下应选择何种方法。本文比较了36种适用于连续数据的相似性度量方法，涵盖各种情景，包括来自不同分布的两个或多个数据集。考虑了各种数据集偏差，包括平移和比例替代方案或更高矩的差异。基于方法区分不同分布数据集的能力结合计算方面，建立了整体方法排名。基于此，确定了基于数据集特征寻找最佳方法的具体决策规则。此外，提出了两种到六种方法的组合方案用于两样本情况，使得在90%至95%的考虑情景中，至少有一种方法几乎等同于最佳方法。在多样本情况下，提出了两种到三种方法的类似组合方案。