机器学习第一章

最新推荐文章于 2024-09-16 12:18:48 发布

ok_1234

最新推荐文章于 2024-09-16 12:18:48 发布

阅读量339

点赞数

分类专栏：机器学习算法原理与编程实践学习笔记文章标签：数学机器学习

本文链接：https://blog.csdn.net/ok_1234/article/details/53493615

版权

本文介绍了机器学习中几种常见的距离度量方法，如欧氏距离、曼哈顿距离、切比雪夫距离、夹角余弦、汉明距离和杰卡德相似系数，并提供了Python实现。此外，还探讨了数据的可视化，包括线图和树图的绘制，以帮助理解数据分布和结构。

摘要由CSDN通过智能技术生成

 现代数学有三个重要的基石：概率论、数值分析、线性代数。概率论说明了事物可能是什么样的；数值分析揭示了他们为什么这样，以及如何变成这样；线性代数则告诉我们事物从来不只有一个样子，使我们能从多个角度观察事物。
 两个向量之间的距离计算，在数学上称为向量的距离，也称为样本之间的相似性度量（similarity measurement）。它反映为某种事物在距离上接近或远离的程度。直觉上，距离越近的就越相似，越容易归为一类；

各类距离的意义与Python实现
1. 欧氏距离(Euclidean Distance)
是最易于理解的一种距离计算方式，源自欧式空间中两点间的距离公式；
Python实现：
From numpy import *
Vector1 = mat([1,2,3])
Vector2 = mat([4,5,6])
D=sqrt((vector1-vector2)*(vector1-vector2).T))

曼哈顿距离(Manhanttan Distance)
也称为城市街区距离；
Python实现：
Vector1 = mat([1,2,3])
Vector2 = mat([4,5,6])
D=sum(abs(vector1-vector2))
切比雪夫距离(Chebyshev Distance)
类似于国际象棋里的移动思路；
Python实现：
From numpy import *
Python实现：
Vector1 = mat([1,2,3])
Vector2