1)欧氏距离
二维平面上点a(x1,y1)与b(x2,y2)间的欧氏距离:
三维空间点a(x1,y1,z1)与b(x2,y2,z2)间的欧氏距离:
n维空间点a(x11,x12,…,x1n)与b(x21,x22,…,x2n)间的欧氏距离(两个n维向量):
2)曼哈顿距离
二维平面两点a(x1,y1)与b(x2,y2)间的曼哈顿距离:
n维空间点a(x11,x12,…,x1n)与b(x21,x22,…,x2n)的曼哈顿距离:
3)切比雪夫距离
二维平面两点a(x1,y1)与b(x2,y2)间的切比雪夫距离:
n维空间点a(x11,x12,…,x1n)与b(x21,x22,…,x2n)的切比雪夫距离:
4)闵可夫斯基距离
两个n维变量a(x11,x12,…,x1n)与b(x21,x22,…,x2n)间的闵可夫斯基距离定义为:
其中p是一个变参数:
当p=1时,就是曼哈顿距离;
当p=2时,就是欧氏距离;
当p→∞时,就是切比雪夫距离。
因此,根据变参数的不同,闵氏距离可以表示某一类/种的距离。
5)标准化欧氏距离 (Standardized Euclidean Distance)
定义: 标准化欧氏距离是针对欧氏距离的缺点而作的一种改进。标准欧氏距离的思路:既然数据各维分量的分布不一样,那先将各个分量都“标准化”到均值、方差相等。假设样本集X的均值(mean)为m,标准差(standard deviation)为s,X的“标准化变量”表示为:
标准化欧氏距离公式:
如果将方差的倒数看成一个权重,也可称之为加权欧氏距离。
内容转载自:http://blog.sina.cn/dpool/blog/s/blog_84509b760102x3p9.html?md=gd
感谢博主,如有侵权,请联系删除。