机器学习几种距离比较：欧拉距离（Euclidean Distance）、曼哈顿距离（Manhattan Distance）和明可夫斯基距离（Minkowski Distance)

最新推荐文章于 2024-01-07 02:04:15 发布
最新推荐文章于 2024-01-07 02:04:15 发布
阅读量1.1w 收藏 20
点赞数 2
分类专栏： 机器学习 文章标签： 机器学习 最近邻分类算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_41620451/article/details/105918973
版权
本文详细介绍了机器学习中三种常见的距离度量方法：欧拉距离、曼哈顿距离和明可夫斯基距离。欧拉距离是二维和三维空间中最直观的距离衡量，当p=2时即为欧拉距离。曼哈顿距离则通过所有坐标轴上的绝对差之和来计算。明可夫斯基距离是一般化的距离公式，涵盖欧拉和曼哈顿距离，其p值的变化决定了距离的计算方式。
摘要由CSDN通过智能技术生成

1、欧拉距离

二维：

三维：

一般地，

简写为：

2、曼哈顿距离

3、明可夫斯基距离

对比欧拉距离和曼哈顿距离，

将欧拉距离公式中根号写成1/2形式，

最低0.47元/天 解锁文章
太阳帅帅
关注
  • 2
    点赞
  • 踩
  • 20
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
机器学习部分：距离的度量（欧氏距离，曼哈顿距离，夹角余弦距离，切比雪夫距离，汉明距离，闵可夫斯基距离，马氏距离）
wyqwilliam的博客
08-14 9328
在数据挖掘中，我们经常需要计算样本之间的相似度(Similarity ),我们通常的做法是计算样本之间的距离,本文对距离计算方法做以下总结。 距离计算方法   1.欧式距离EuclideanDistance 欧式距离：也称欧几里得距离，在一个N维度的空间里，求两个点的距离，这个距离肯定是一个大于等于零的数字，那么这个距离需要用两个点在各自维度上的坐标相减，平方后加和再开方。 ...
欧拉距离和曼哈顿距离
dxmcu的专栏
12-01 1286
距离的探讨 欧拉距离 第一行是普通的两点间两个维度上的距离的公式，第二行推广到三个维度 第三多个维度 维度也就是特征 最后简写成上面这个公式，在机器学习算法书中比较常见 曼哈顿距离 距离在数学公式上具有形式一致性 下面推导欧氏距离和曼哈顿距离 最后可以得出一个超参数——p 通过改变p可以改变距离的计算方法 p取1或2时的明氏距离是最为常用的，p=2即为欧氏距离，而p=1时则为曼哈顿距离。 明氏距离不足之处： 主要表现在两个方面：第一，它与各指标的量纲有关； 第二，它没有考虑指标之
欧拉距离曼哈顿距离
闲云野鹤的专栏
12-08 1450
http://blog.csdn.net/xiaoduan_/article/details/79327781 距离的探讨 欧拉距离 第一行是普通的两点间两个维度上的距离的公式，第二行推广到三个维度 第三多个维度 维度也就是特征  最后简写成上面这个公式，在机器学习算法书中比较常见 曼哈顿距离 距离在数学公式上具有形式一致性 下面推导欧氏距离和曼哈顿距离       最后...
计算样本之间的距离--欧拉距离、曼哈顿距离和明科夫斯基距离
limit08036的博客
04-13 4696
一、欧拉距离 欧几里得距离，也叫欧式距离。 应用举例： 1.先画个图： 代码（在jupyter工具中使用）： import numpy as np import matplotlib.pyplot as plt X = np.array([ [5,1], [1,4] ]) plt.plot(X[:,0], X[:,1],'r-o') plt.annotate(...
欧拉距离（Euclidean distance）
/dev/null
04-15 2002
a=[2400,156000] b=[1950,126750] np.linalg.norm(a-b) 29253.461333661013 a=[240,15600] b=[195,12675] np.linalg.norm(a-b) 2925.346133366101 Additionally, Euclidean distance multiplies the effect of ...
曼哈顿距离和欧拉距离
日拱一卒,功不唐捐
10-13 2653
欧式距离公式 曼哈顿距离 曼哈顿打成了哈密尔顿，尴尬???? 如果将坐标系分割成一个个的网格，曼哈顿距离正好可以刻画两点之间穿过格子数（只能沿着格子的边，不能沿着对角线斜穿），实际应用比较广泛，更多用于城市规划问题。 ...
微分方程常用的两种数值解法：欧拉方法和龙格库塔法.doc
09-28
微分方程常用的两种数值解法：欧拉方法和龙格库塔法.doc
人脸识别.zip_commongis_gabor_gabor人脸_gabor人脸识别_距离测度
07-14
应用gabor进行特征提取，欧拉距离测度法，供参考
欧式距离聚类分析
06-11
在数据分析和机器学习领域，聚类分析是一种常用的技术，用于将数据集中的对象无监督地分组到不同的类别中，使得同一类别内的对象相似度较高，而不同类别间的对象相似度较低。"欧式距离"是衡量两个数据点之间距离的一...
距离和相似性度量1
08-08
在数据分析、机器学习和信息检索等领域，距离和相似性度量是至关重要的工具。它们用于量化两个对象之间的差异，帮助我们理解数据的结构并进行有效的分析。本文将深入探讨几个常用的距离和相似性度量方法。 首先，...
微分方程常用的两种数值解法：欧拉方法与龙格—库塔法.doc
10-09
微分方程常用的两种数值解法：欧拉方法与龙格—库塔法 微分方程是数学中最有生命力的分支，在自然科学的许多领域中都会遇到常微分方程的求解问题。当前计算机的开展为常微分方程的应用及理论研究提供了非常有力的...
曼哈顿、欧拉、明可夫斯基 距离
hugh_博客标题
11-10 249
曼哈顿、欧拉、明可夫斯基 距离 参考视频
欧氏距离，曼哈顿距离，夹角余弦距离，切比雪夫距离，汉明距离，闵可夫斯基距离，马氏距离
Jiashilin
07-31 3031
目录 1.欧式距离EuclideanDistance 2. 曼哈顿距离(ManhattanDistance) 3. 夹角余弦 4.汉明距离(Hamming Distance) 1.欧式距离EuclideanDistance 欧式距离：也称欧几里得距离，在一个N维度的空间里，求两个点的距离，这个距离肯定是一个大于等于零的数字，那么这个距离需要用两个点在各自维度上的坐标相减，...
欧拉距离，曼哈顿距离与明可夫斯基距离探讨
热门推荐
段渣渣推轮子的飙车场
02-15 1万+
版权声明：未经允许，随意转载，请附上本文链接谢谢（づ￣3￣）づ╭❤～ http://blog.csdn.net/xiaoduan_/article/details/79327781 距离的探讨 欧拉距离 第一行是普通的两点间两个维度上的距离的公式，第二行推广到三个维度 第三多个维度 维度也就是特征 最后简写成上面这个公式，在机器学习算法书中比较常见 曼哈顿距离...
欧几里德距离评价算法（集体智慧编程）
RobertXin
03-03 797
欧几里德距离是指多维空间两点间的距离，这是一种用直尺测量出来的距离。如果将两个点分别标记为(p1,p2,p3....pn)和(q1,q2,q3.....qn),则欧几里德距离的计算公式为：     欧几里德距离评价算法是一个非常简单的计算相似度评价值的方法。它以经过人们一致评价的物品为坐标轴，然后将参与评价的人绘制到图上，并考查他们彼此间的距离远近。如图： 该图显示了处于“偏好空间”中...
几种常见距离算法小结
数据挖掘专栏
03-17 1万+
总结数据挖掘常用到的距离算法，以及应用场景。包括欧拉距离、Pearson距离、杰卡德距离、余弦距离、曼哈顿距离、汉明距离、马氏距离、切比雪夫距离。
相似性度量：基础理论与实践
最新发布
禅与计算机程序设计艺术
01-07 433
1.背景介绍 相似性度量是计算机科学、人工智能和数据挖掘等领域中的一个重要概念。它用于衡量两个对象之间的相似性，这些对象可以是数字数据、图像、文本、音频或其他形式的信息。相似性度量在许多应用中发挥着重要作用，例如文本检索、图像识别、推荐系统、聚类分析等。 在本文中，我们将从以下几个方面进行全面的探讨： 背景介绍 核心概念与联系 核心算法原理和具体操作步骤以及数学模型公式详细讲解 具体代码实...
层次聚类算法常用的相似度计算方法
weixin_42937161的博客
05-24 2083
由上篇文章可知，合并或拆分层次聚类算法都是基于簇间相似度进行的，每个簇类包含了一个或多个样本点，通常用距离评价簇间或样本间的相似度，即距离越小相似度越高，距离越大相似度越低。因此我们首先假设样本间的距离为：dist(Pi,Pj)，其中Pi，Pj为任意两个样本，要两个簇类的间隔不是很小，单链接算法可以很好的分离非椭圆形状的样本分布。最大距离可用如下图表示，其中红色线表示簇类C1和C2的距离。可用下图表示，其中红色线表示簇类C1和C2的距离。均链接算法可以很好的分离簇类间有噪声的数据集。
euclidean distance-欧拉距离计算
旧人赋荒年
11-18 4560
G = rand(1, 72); G2 = rand(1, 72); D = sqrt(sum((G - G2) .^ 2)); A more efficient method, but this matters only for much larger vectors:V = G - G2; D = sqrt(V * V'); Or a Matlab command:D = norm(G -
平面上有100个点，求任意两点的欧拉距离，并将其保存
05-29
好的，您的要求我已经明白了。为了解决这个问题，我们可以使用以下Python代码： ```python import numpy as np # 随机生成100个点的坐标 points = np.random.rand(100, 2) # 计算任意两点的欧拉距离 distances = np.sqrt(np.sum((points[:, np.newaxis] - points) ** 2, axis=2)) # 将距离保存到文件中 np.savetxt('distances.txt', distances) ``` 这段代码首先使用NumPy生成100个随机点的坐标。然后，它使用NumPy的广播机制计算任意两点之间的欧拉距离，并将结果保存到一个名为“distances.txt”的文件中。您可以自行修改代码中的文件名和路径，以便保存到您所需的位置。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值