机器学习之特征距离

一、欧氏距离
欧式距离或欧几里得距离实际就是( x i x_i xi, y i y_i yi),( x j x_j xj, y j y_j yj)两点之间的直线距离。
用公式表示为:
ρ = ( x i − x j ) 2 + ( y i − y j ) 2 \rho = \sqrt{(x_i - x_j)^2 + (y_i - y_j)^2} ρ=(xixj)2+(yiyj)2
其中 ρ \rho ρ为点 x i x_i xi, y i y_i yi)与点( x j x_j xj, y j y_j yj)之间的欧式距离。特别的 ∣ X ∣ = x i 2 + y i 2 |X| = \sqrt{x_i^2 + y_i^2} X=xi2+yi2 为点( x i x_i xi, y i y_i yi)到原点之间的直线距离。
以此类推,三维空间的欧式距离公式为:
ρ = ( x i − x j ) 2 + ( y i − y j ) 2 + ( z i − z j ) 2 \rho = \sqrt{(x_i - x_j)^2 + (y_i - y_j)^2 + {(z_i - z_j)}^2} ρ=(xixj)2+(yiyj)2+(zizj)2
∣ X ∣ = x i 2 + y i 2 + z i 2 |X| = \sqrt{x_i^2 + y_i^2 + z_i^2} X=xi2+yi2+zi2
二、曼哈顿距离
曼哈顿距离(Manhattan Distance)指( x i x_i xi, y i y_i yi)( x j x_j xj, y j y_j yj)两点在南北方向上的距离加上在东西方向上的距离之和,用公式表示为:
d ( i , j ) = ∣ x i − x j ∣ + ∣ y i − y j ∣ d_{(i,j)} = |x_i-x_j|+|y_i-y_j| d(i,j)=xixj+yiyj
举例说明:图中红线代表曼哈顿距离,绿色代表欧氏距离,也就是直线距离,而蓝色和黄色代表等价的曼哈顿距离。
机器学习之特征距离_第1张图片
机器学习之特征距离_第2张图片

你可能感兴趣的:(机器学习)