21 | 机器学习中常见距离度量及实现

已于 2024-02-19 07:01:24 修改
阅读量1.2k 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 玩转Python机器学习 文章标签： 协方差 算法 字符串 python 机器学习
于 2021-04-17 12:12:42 首次发布
liurunsen
本文链接：https://blog.csdn.net/weixin_44510615/article/details/115792944
本文介绍了机器学习中常见的距离度量方法，包括欧式距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧式距离、马氏距离、余弦距离、皮尔逊相关系数、汉明距离、杰卡德相似系数、布雷柯蒂斯距离和编辑距离。每种距离度量都有其适用场景和优缺点，并提供了相应的Python实现。

文章目录

机器学习中常见距离度量及python实现

1. 欧式距离

欧式距离是最易于理解的一种距离计算方法，源自欧式空间中两点间的距离公式。

  • 二维平面上两点a(x1, y1)与b(x2, y2)间的欧式距离

d 12 = ( x 1 − x 2 ) 2 + ( y 1 − y 2 ) 2 2 d_{12} =\sqrt [ 2 ]{ (x_1-x_2)^2+(y_1-y_2)^2 } d

了解本专栏 订阅专栏 解锁全文 超级会员免费看
【机器学习】各种距离度量
Wait_Godot的博客
03-19 1438
简单介绍了机器学习中常见的距离及其计算方法
相似性度量（距离度量）方法（一）：基本种类与公式
热门推荐
weixin_60737527的博客
04-20 3万+
相似性度量（或距离度量）方法在多元统计中的聚类分析、判别分析中的距离判别法、泛函分析、机器学习等方面都有应用。所以对于数据分析、机器学习等方面，掌握相似性的不同度量方法是十分重要且必要的。 相似性度量与距离度量本质上是同一件事情。如果两组数据之间的距离越大，那么相似性越小；反正，如果相似性越大，那么距离越小，这是可以直观理解的。 但是距离度量与相似度量还是有一点点区别的。距离度量，一般情况下距离是大于0的数；而相似性或相异性通常数值介于[0,1]之间。相似性与相异性统称为邻近度。 对于相似性的度量，首
机器学习中的各种距离
极度视界
12-29 8031
在做分类时常常需要估算不同样本之间的相似性(Similarity Measurement)，这时通常采用的方法就是计算样本间的“距离”(Distance)。 采用什么样的方法计算距离是很讲究，甚至关系到分类的正确与否。 本文的目的就是对常用的相似性度量作一个总结。 本文目录： 1. 欧氏距离 2. 曼哈顿距离 3. 切比雪夫距离 4. 闵可夫斯基距离 5. 标准化欧
24种距离度量小结
我的博客
04-12 1万+
1.欧氏距离(Euclidean Distance) d=∑i=1n(xi−yi)2d=\sqrt{\sum_{i=1}^n(x_i-y_i)^2}d=i=1∑n​(xi​−yi​)2​ 以古希腊数学家欧几里得命名的距离；也就是我们直观的两点之间直线最短的直线距离。 2.曼哈顿距离(Manhattan Distance) d=∑i=1n∣xi−yi∣d=\sum_{i=1}^n|x_i-y_i|d...
常用11种距离度量
m0_66890670的博客
08-11 2267
对常见的距离度量的总结和对比，包括欧式距离，曼哈顿距离，切比雪夫距离，切比雪夫距离，标准化欧式距离， 马氏距离， 余弦距离，汉明距离，杰卡德距离，相关距离，信息熵。且包含公式、python代码、优缺点分析。
常见的几种距离量度（欧式距离、曼哈顿距离、切比雪夫距离等）
一名在读大学生，正在学习深度学习，会定期分享一些该领域内容。欢迎大家一起交流学习~
05-01 1万+
在机器学习和数据挖掘中，我们经常需要计算样本之间的相似度，通常的做法是计算样本之间的距离。本文介绍几种常用的距离量度方法。
机器学习中的相似性度量
hit_kongquan的专栏
03-25 8598
<br /><br />在做分类时常常需要估算不同样本之间的相似性度量(Similarity Measurement)，这时通常采用的方法就是计算样本间的“距离”(Distance)。采用什么样的方法计算距离是很讲究，甚至关系到分类的正确与否。<br />　　本文的目的就是对常用的相似性度量作一个总结。<br /><br /><br />本文目录：<br />1. 欧氏距离<br />2. 曼哈顿距离<br />3. 切比雪夫距离<br />4. 闵可夫斯基距离<br />5. 标准化欧氏距离<br />6
机器学习中距离和相似度度量.pptx
05-09
欧氏距离是最常见的距离度量方法，它衡量的是空间中两点之间的直线距离。它适用于连续属性的度量，但对不同量纲的数据敏感。为了避免这种量纲的影响，标准化（或Z-score标准化）是一个常用的技术，它将数据按属性...
【数据分析与挖掘】聚类分析中常用距离度量方法详解：原理、代码实现及应用场景
最新发布
05-23
文中列举了几种常见的距离度量方法，如闵可夫斯基距离（涵盖曼哈顿、欧几里得和切比雪夫距离）、汉明距离、杰卡德距离及余弦距离，每种方法都附有具体的原理说明、应用场景以及Python代码实现示例。此外，文章还阐述...
机器学习距离计算公式及python实现
04-24
综上所述，这些距离度量公式及其在Python中的实现方法，是机器学习中进行数据分析和特征工程时不可或缺的工具。根据不同的应用场景和数据特性选择合适的距离度量，可以帮助我们更好地理解和分析数据。
距离度量(距离函数)
weixin_37805181的博客
08-11 2605
2.联合熵 H(X,Y)=−∑x∑yp(x,y)log⁡p(x,y) H(X,Y)=-\sum_{x}{\sum_{y}{p(x,y)\log{p(x,y)}}} H(X,Y)=−x∑​y∑​p(x,y)logp(x,y)3.条件熵 H(Y∣X)=−∑x∑yp(x,y)log⁡p(y∣x) H(Y|X)=-\sum_{x}{\sum_{y}{p(x,y)\log{p(y|x)}}} H(Y∣X)=−x∑​y∑​p(x,y)logp(y∣x)4.互信熵：（信息增益） I(X,Y)=∑x,yp(x,y)log⁡
常用几种距离的标识
道法自然
06-07 1万+
曼哈顿距离(Manhattan Distance) 顾名思义，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)。 二维平面两点a(x1,y1)与b(x2,y2)间的曼哈顿距离： d12=|x1−x2|+|y1−y2|d12=|x1−x2|+|...
距离的度量
Chaolei3的博客
12-28 1166
其实度量距离本质上是在比较二者的相似度。因为目前只总结距离的度量，其他相似度的度量方法暂时不管，比如余弦的夹角度量2个向量之间的相似性，比如相对熵度量数据分布的相似性。欧几里得距离（欧氏距离）先从最熟悉的欧氏距离说起，也就是形式如，说得通俗点，就是两点之间直线最短的概念。曼哈顿距离曼哈顿距离形象地说，就像你在城市中走路，只能沿着街道走，而不能直接穿插到某地。 图中每一中彩色的线代表一个曼哈顿距
距离度量的多种方法
MobtgZhang的博客
07-03 4504
距离度量的多种方法1.距离的定义2.各种不同种类的距离2.1 常见的距离表达2.1.1 欧式(euclidean)距离(2-范数)2.1.2 标准化欧氏距离2.1.3 曼哈顿(Manhattan)距离(1-范数)2.1.4 切比雪夫(Chebyshev)距离(∞\infty∞-范数)2.1.5 闵可夫斯基(minkowski)距离(p-范数)2.1.6 马氏(mahalanobis)距离2.1.7 余弦距离2.1.8 布雷柯蒂斯(Bray-Curtis)距离2.1.9 堪培拉(Canberra)距离2.2
Machine Learning --5种距离度量方法
王佩的CSDN博客
10-25 1万+
1 前言 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。 2 距离计算方法 A 欧式距离EuclideanDistance 欧式距离：两点之间的直线距离。 (1)二维平面上两点a(x1,y1)，b(x2,y2)之间的欧式距离公式： (2) n维空间上两点a(x1,x2……..x
距离和相似度度量
MagicQIT的专栏
12-28 3606
主要摘自： http://www.chinaz.com/web/2011/1008/212684.shtml，http://www.cnblogs.com/heaad/archive/2011/03/08/1977733.html 在数据分析和数据挖掘的过程中，我们经常需要知道个体间差异的大小，进而评价个体的相似性和类别。最常见的是数据分析中的相关分析，数据挖掘中的分类和聚类算法，如K最
机器学习领域几种距离度量方法metric详解
Yanir的博客
06-08 9173
对scipy.spatial.distance.pdist
机器学习总结之——各种距离汇总
机器学习&数据挖掘
09-25 6448
机器学习总结之——各种样本距离汇总   一般在机器学习模型中会涉及到衡量两个样本间的距离，如聚类、K-Nearest Neighbor等，使用的距离可以使欧式距离，也是可以是其它距离，本文对各种距离度量的表示法进行了汇总。 1、欧氏距离   最常见的两点之间或多点之间的距离表示法，又称之为欧几里得度量，它定义于欧几里得空间中，如点 x = (x1,…,xn) 和 y = (y1,…,yn) 之间的...
常用的距离度量方法
分享各种测试中的用到的内容，一起学习
02-25 1224
常用的距离度量方法
机器学习距离度量与样本平衡方法详解
本文主要探讨了机器学习中常见的距离度量方法及其应用，以及解决样本不平衡问题的策略。以下是详细的内容概要： 1. 距离度量方法： - 欧式距离（Euclidean Distance）：基于欧几里得距离概念，适用于连续变量的...
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

打赏作者

小刘要努力。

顺便点一个赞

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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