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