各类距离公式

最新推荐文章于 2023-08-20 15:08:17 发布

LMJmmer

最新推荐文章于 2023-08-20 15:08:17 发布

阅读量3.7k

点赞数 1

分类专栏：机器学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/LMJ15009207299/article/details/81233541

版权

给定两个n维变量和闵可夫斯基距离（Minkowski Distance）其中，p是可变参数p=1时，是曼哈顿距离p=2时，是欧式距离p时，是切比雪夫距离所以，严格意义上，闵可夫斯基距离不是一种距离，而是一组距离的定义。欧式距离（Euclidean Distance）表示为向量的形式则为：曼哈顿距离（Manhattan Distance）切比雪夫距...

摘要由CSDN通过智能技术生成

给定两个n维变量 $A(x_{11},x_{12},...,x_{1n})$ 和 $B(x_{21},x_{22},...,x_{2n})$

闵可夫斯基距离（Minkowski Distance）

$d_{AB}=\sqrt[p]{\sum_{k=1}^{n}(x_{1k}-x_{2k})^_{p}}$

其中，p是可变参数

p=1时，是曼哈顿距离

p=2时，是欧式距离

p $\rightarrow \infty$ 时，是切比雪夫距离

最低0.47元/天解锁文章

关注

1
点赞
踩
4

收藏

觉得还不错? 一键收藏
0
评论
各类距离公式

给定两个n维变量和闵可夫斯基距离（Minkowski Distance）其中，p是可变参数p=1时，是曼哈顿距离p=2时，是欧式距离p时，是切比雪夫距离所以，严格意义上，闵可夫斯基距离不是一种距离，而是一组距离的定义。欧式距离（Euclidean Distance）表示为向量的形式则为：曼哈顿距离（Manhattan Distance）切比雪夫距...
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。