matlab 韩明距离_科学网—Matlab中 pdist 函数详解(各种距离的生成) - 朱新宇的博文...

一、pdist

Pairwise distance between pairs of objects

Syntax

D = pdist(X)

D = pdist(X,distance)

Description

D = pdist(X)    计算 X 中各对行向量的相互距离(X是一个m-by-n的矩阵). 这里 D 要特别注意，D 是一个长为m(m–1)/2的行向量.可以这样理解 D 的生成：首先生成一个 X 的距离方阵，由于该方阵是对称的，令对角线上的元素为0，所以取此方阵的下三角元素，按照Matlab中矩阵的按列存储原则，此下三角各元素的索引排列即为(2,1), (3,1), ..., (m,1), (3,2), ..., (m,2), ..., (m,m–1).可以用命令 squareform(D) 将此行向量转换为原距离方阵.(squareform函数是专门干这事的，其逆变换是也是squareform。)

D = pdist(X,distance)     使用指定的距离.distance可以取下面圆括号中的值，用红色标出！

Metrics

Given an m-by-n data matrix X, which is treated as m (1-by-n) row vectors x1, x2, ..., xm, the various distances between the vector xs and xt are defined as follows:欧几里德距离Euclidean distance('euclidean')

$$d_{s,\;t}^2 = \left( { {x_s} - {x_t}} \right) \cdot \left( { {x_s} - {x_t}} \right)'$$

Notice that the Euclidean distance is a special case of the Minkowski metric, where p = 2.

欧氏距离虽然很有用，但也有明显的缺点。

一：它将样品的不同属性(即各指标或各变量)之间的差别等同看待，这一点有时不能满足实际要求。

二：它没有考虑各变量的数量级(量纲)，容易犯大数吃小数的毛病。所以，可以先对原始数据进行规范化处理再进行距离计算。

标准欧几里德距离Standardized Euclidean distance('seuclidean')

$$d_{s,\;t}^2 = \l