距离度量的方法有欧式距离,切比雪夫距离、马氏距离、巴氏距离,曼哈顿距离等;

用欧氏距离(也称欧几里德度量),高中所学的两点距离公式就是欧氏距离在二维空间上的公式,也就是欧氏距离的n的值为2的情况.

二维坐标下:

(x1−x2)2+(x3−x4)2\sqrt{(x_1-x_2)^2} \quad + \quad \sqrt{(x_3-x_4)^2} (x1​−x2​)2​+(x3​−x4​)2​

曼哈顿距离:
c=∣x1−x2∣+∣x3−x4∣c=|x_1-x_2|+|x_3-x_4|c=∣x1​−x2​∣+∣x3​−x4​∣
从公式定义上看,曼哈顿距离一定是一个非负数,距离最小的情况就是两个点重合,距离为 0,这一点和欧氏距离一样。曼哈顿距离和欧氏距离的意义相近,也是为了描述两个点之间的距离,不同的是曼哈顿距离只需要做加减法,这使得计算机在大量的计算过程中代价更低,而且会消除在开平方过程中取近似值而带来的误差。不仅如此,曼哈顿距离在人脱离计算机做计算的时候也会很方便。

在国际象棋棋盘(图 2)上,有这种横平竖直的格子,描述格子和格子之间的距离可以直接用曼哈顿距离。如 A1 格子到 C4 格子的曼哈顿距离计算如下:

c=|3-1|+|4-1|=5 两个格子之间的曼哈顿距离为 5。
上面的公式只给了二维空间上的曼哈顿距离公式,三维、四维或者更多维度的计算原理是一样。

之所以曼哈顿距离又被称为出租车距离是因为在像纽约曼哈顿区这样的地区有很多由横平竖直的街道所切成的街区(Block),出租车司机计算从一个位置到另一个位置的距离,通常直接用街区的两个坐标分别相减,再相加,这个结果就是他即将开车通过的街区数量,而完全没有必要用欧氏距离来求解——算起来超级麻烦还没有意义,毕竟谁也没办法从欧氏距离的直线上飞过去。如图 3 所示,假设一辆出租车要从上面的圆圈位置走到下面的圆圈位置,无论是左边的线路,还是右边的线路,都要经过 11 个街区,而这个 11 就是曼哈顿距离。

从曼哈顿距离的定义就能看出,曼哈顿距离的创立,与其说有很大的学术意义不如说更多的是应用意义。这也是本书一直想说的一点,数学就在我们身边,它是我们的工具,能帮我们解决问题而不是带来麻烦。


切比雪夫距离

设平面空间内存在两点,它们的坐标为(x1,y1),(x2,y2)

则dis=max(|x1−x2|,|y1−y2|)

即两点横纵坐标差的最大值

如果想进一步了解曼哈顿距离与切比雪夫的互化,点击曼哈顿距离与切比雪夫的互化

距离度量的方法,欧式距离,切比雪夫距离、马氏距离、巴氏距离,曼哈顿距离相关推荐

  1. 数据的距离度量 一、欧式距离,曼哈顿距离,闵氏距离,切比雪夫距离,兰氏距离,马氏距离

    数据的距离度量 一.欧式距离,曼哈顿距离,闵氏距离,切比雪夫距离,兰氏距离,马氏距离 前言 欧式距离 标准欧式距离 曼哈顿距离 闵氏距离 切比雪夫距离 兰氏距离 马氏距离 前言 本篇记录一下常用的数据 ...

  2. 相似性度量(距离度量)方法(一):基本种类与公式

    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 ...

  3. 2个点马氏距离计算实例_数据分析基础:距离度量方式(欧式距离、马氏距离、曼哈顿距离)...

    数据分析中,为了评定数据之间的相似度,有很多不同的距离的计算方法,如欧氏距离,马氏距离等等. 欧氏距离 Euclidean distance:欧几里得距离,m维空间中两个点之间的真实距离 离差平方和, ...

  4. 数据科学中常见的9种距离度量方法,包括欧氏距离、切比雪夫距离、半正矢距离等

    1.欧氏距离(Euclidean Distance) 欧式距离可解释为连接两个点的线段的长度.欧式距离公式非常简单,使用勾股定理从这些点的笛卡尔坐标计算距离. 代码实现: import numpy a ...

  5. 【机器学习基础】常见的9种距离度量方法,内含欧氏距离、切比雪夫距离等

    作者|机器之心编译 来源|机器之心 在数据挖掘中,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.在本文中,数据科学家 Maarten Grootendorst 向我们介绍了 9 种 ...

  6. 数据科学中常见的9种距离度量方法

    选自towardsdatascience 作者:Maarten Grootendorst 机器之心编译 编辑:陈萍 在数据挖掘中,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.在本 ...

  7. 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)

    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. 一.欧氏距离(Euclidean Distance) 我们从最常见的欧式距离 ...

  8. 近邻的距离度量表示法

    K近邻算法的核心在于找到实例点的邻居,这个时候,问题就接踵而至了,如何找到邻居,邻居的判定标准是什么,用什么来度量.这一系列问题便是下面要讲的距离度量表示法.但有的读者可能就有疑问了,我是要找邻居,找 ...

  9. 从K近邻算法、距离度量谈到KD树、SIFT+BBF算法

    原文出自:http://blog.csdn.net/v_JULY_v/article/details/8203674 前言 前两日,在微博上说:"到今天为止,我至少亏欠了3篇文章待写:1.K ...

最新文章

  1. [20190401]跟踪dbms_lock.sleep调用.txt
  2. Linux中append函数的用法,linux C代码 open函数参数:O_APPEND问题求助
  3. 脚本 api_从脚本到预测API
  4. 一个经典的WIN32窗口应用
  5. opencv在vs2012下重编译详细教程——解决按f11进入不了源代码
  6. PowerShell远程连接到Windows
  7. Oracle 树状 父子结点 查询方法 倒叙查询
  8. 下载 Google Chrome 离线安装包
  9. PC端答题小助手软件 – 用 OCR 高效完成在线答题
  10. 数据统计分析(SPSS)【8】
  11. CS231n 课程(笔记内容 by Aries.Y)
  12. mysql 词频分析_09 使用python完成词频统计
  13. Android体重档案代码,Android开发实现的标准体重计算器功能示例
  14. 初识云计算————虚拟化背景
  15. 2021-06-08实验室如何正确选择和确认检测方法?
  16. SQL Server 查询分解
  17. 基于LinkedList实现HashMap代码
  18. 直线内插法的图怎么用计算机画,直线内插法(设计费).pdf
  19. Matlab2018b 破解错误License Manager Error -8 ..... Licensing error: -8523
  20. mysql s1009_mysql 学习笔记

热门文章

  1. 坐标旋转变换公式的推导
  2. qt无法定位程序输入点解决方法
  3. 快捎携手信站大全步入诚信网站时代
  4. SQL Server 数据库 视图创建
  5. 美团智能客服核心技术与实践
  6. 面试阿里测试开发,面试结束后,还被面试官在朋友圈吐槽“什么阿猫阿狗都敢来面试大厂了吗?”
  7. GELU激活函数: 高斯误差线性单元
  8. 别人以为的在家办公 VS 实际上的在家办公
  9. Mysql系列(十二)Mysql监控操作
  10. python实现lstm数据预测