一·欧式距离
也称为直线距离或L2距离。
计算两点之间的直线距离,即两点之间的最短距离。
二维空间中两点P1(x1, y1)和P2(x2, y2)之间的欧氏距离是:sqrt((x1 - x2)^2 + (y1 - y2)^2)
欧氏距离通常用于测量点之间的直线距离,如在空间几何中计算点到点之间的距离。
如点 x = (x1,...,xn) 和 y = (y1,...,yn) 之间的距离为:
二·曼哈顿距离
也称为城市街区距离或L1距离。
计算两点之间沿着坐标轴的距离总和,即在水平和垂直方向上的距离总和。
二维空间中两点P1(x1, y1)和P2(x2, y2)之间的曼哈顿距离是:|x1 - x2| + |y1 - y2|
曼哈顿距离通常用于计算城市道路网格中两点之间的实际行驶距离,或在特征空间中计算特征之间的距离。
通俗来讲,想象你在曼哈顿要从一个十字路口开车到另外一个十字路口,驾驶距离是两点间的直线距离吗?显然不是,除非你能穿越大楼。而实际驾驶距离就是这个“曼哈顿距离”,此即曼哈顿距离名称的来源,同时,曼哈顿距离也称为城市街区距离(CityBlock distance)。
(1)二维平面两点a(x1,y1)与b(x2,y2)间的曼哈顿距离
(2)两个n维向量a(x11,x12,…,x1n)与 b(x21,x22,…,x2n)间的曼哈顿距离
三·马氏距离
马氏距离(Mahalanobis Distance)是由马哈拉诺比斯(P. C. Mahalanobis)提出的,表示数据的协方差距离。马氏距离(Mahalanobis Distance)是一种距离的度量,可以看作是欧氏距离的一种修正,修正了欧式距离中各个维度尺度不一致且相关的问题。它是一种有效的计算两个未知样本集的相似度的方法。与欧氏距离不同的是它考虑到各种特性之间的联系(例如:一条关于身高的信息会带来一条关于体重的信息,因为两者是有关联的)并且是尺度无关的(scale-invariant),即独立于测量尺度。
对于一个均值为,协方差矩阵为Σ的多变量矢量,其马氏距离(单个数据点的马氏距离)为:
马氏距离也可以定义为两个服从同一分布并且其协方差矩阵为Σ的随机变量X与Y的差异程度,数据点x, y之间的马氏距离:
其中Σ是多维随机变量的协方差矩阵,μ为样本均值,如果协方差矩阵是单位向量,也就是各维度独立同分布,马氏距离就变成了欧氏距离。如果协方差矩阵为对角阵,其也可称为正规化的马氏距离。
其中σi是xi的标准差。
四·切比雪夫距离
在数学中,切比雪夫距离(Chebyshev distance)或是L∞度量,是向量空间中的一种度量,二个点之间的距离定义是其各坐标数值差绝对值的最大值。以数学的观点来看,切比雪夫距离是由一致范数(uniform norm)(或称为上确界范数)所衍生的度量,也是超凸度量(injective metric space)的一种。。
Dis(A,B)=max(|XA−XB|,|YA−YB|)
Dis(A,B)=max(|XA−XB|,|YA−YB|)