简单粗暴理解与实现机器学习之K-近邻算法（三）：距离度量、欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化距离、余弦距离、汉明距离、杰卡德距离、马氏距离

最新推荐文章于 2023-07-21 01:03:46 发布

汪雯琦

最新推荐文章于 2023-07-21 01:03:46 发布

阅读量2k

点赞数 1

分类专栏：【机器学习与深度学习】文章标签：算法字符串协方差 python 机器学习

本文链接：https://blog.csdn.net/qq_35456045/article/details/104641916

版权

本文详细介绍了K-近邻算法中的多种距离度量方法，包括欧式距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、余弦距离、汉明距离、杰卡德距离和马氏距离。通过实例解析这些距离度量的计算方式和适用场景，并讨论了它们各自的优缺点，强调了在实际应用中选择合适距离度量的重要性。

摘要由CSDN通过智能技术生成

K-近邻算法

在这里插入图片描述

欧氏距离是最容易直观理解的距离度量方法，我们小学、初中和高中接触到的两个点在空间中的距离一般都是指欧氏距离。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ZmM7p9gL-1583241871922)(../images/1.4%20%E6%AC%A7%E5%BC%8F%E8%B7%9D%E7%A6%BB2.png)]

举例:

X=[[1,1],[2,2],[3,3],[4,4]];
经计算得:
d = 1.4142    2.8284    4.2426    1.4142    2.8284    1.4142

在曼哈顿街区要从一个十字路口开车到另一个十字路口，驾驶距离显然不是两点间的直线距离。这个实际驾驶距离就是“曼哈顿距离”。曼哈顿距离也称为“城市街区距离”(City Block distance)。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-7grjWeaY-1583241871923)(../images/1.5%20%E6%9B%BC%E5%93%88%E9%A1%BF%E8%B7%9D%E7%A6%BB.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-LzhMh4BE-1583241871924)(../images/1.6%20%E6%9B%BC%E5%93%88%E9%A1%BF%E8%B7%9D%E7%A6%BB.png)]

举例:

X=[[1,1],[2,2],[3,3],[4,4]];
经计算得:
d =   2     4     6     2     4     2

国际象棋中，国王可以直行、横行、斜行，所以国王走一步可以移动到相邻8个方格中的任意一个。国王从格子(x1,y1)走到格子(x2,y2)最少需要多少步？这个距离就叫切比雪夫距离。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-vJAG35bW-1583241871924)(../images/1.7%20%E5%88%87%E6%AF%94%E9%9B%AA%E5%A4%AB%E8%B7%9D%E7%A6%BB.png)]

关注

专栏目录