本文详细介绍了K近邻算法中常用的距离度量方法，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、余弦距离、汉明距离和杰卡德距离，分析了它们的适用场景和优缺点，并讨论了不同距离度量在处理不同数据特性时的影响。
K近邻算法中-距离度量
文章目录
1.欧式距离
两个点在空间中的距离一般都是欧式距离。
二维空间上两点的距离 d 12 = ( x 1 − x 2 ) 2 + ( y 1 − y 2 ) 2 d_{12}=\sqrt{(x_1-x_2)^2+(y_1-y_2)^2} d12=(x1−x2)2+(y1−y2)2
三维空间上两点的距离 d 12 = ( x 1 − x 2 ) 2 + ( y 1 − y 2 ) 2 + ( z 1 − z 2 ) 2 d_{12} = \sqrt{(x_1-x_2)^2+(y_1-y_2)^2+(z_1-z_2)^2} d12=(x1−x2)2+(y1−y2)2+(z1−z2)2
n维空间上两点的距离 d 12 = ∑ k = 1 n ( x 1 k − x 2 k ) 2 d_{12} =\sqrt{\sum_{k=1}^{n}{(x_{1k}-x_{2k})^2}} d12=∑k=1n(x1k−x
最低0.47元/天 解锁文章
943
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
