主要是数据挖掘、机器学习等领域用到,所使用的变量通常是两个向量或空间中的两个点。
常见距离
定义n维空间中的两个点(即表示为n维向量)
点1 x 1 ⃗ = { x 11 , x 12 , … , x 1 n } \vec {x_1} = \{x_{11}, x_{12}, \ldots, x_{1n}\} x1={
x11,x12,…,x1n}和点2
x 2 ⃗ = { x 21 , x 22 , … , x 2 n } \vec {x_2} = \{x_{21}, x_{22}, \ldots, x_{2n}\} x2={
x21,x22,…,x2n}
几种距离的计算相当于向量中的 p − p- p−范数。
1. 曼哈顿距离(Manhattan Distance)
也叫城市街区距离(City Block distance)
d = ∣ x 11 − x 21 ∣ + ∣ x 12 − x 22 ∣ + … + ∣ x 1 n − x 2 n ∣ = ∑ k = 1 n ∣ x 1 k − x 2 k ∣ d = |x_{11}-x_{21}|+|x_{12}-x_{22}| + \ldots + |x_{1n}-x_{2n}| = \sum_{k=1}^n |x_{1k}-x_{2k}| d=∣x11−x21∣+∣x12−x22∣+…+∣x1n−x2n∣=<