机器学习中常用的距离计算方法

我们已经知道了如何通过样本间的距离来评估簇间的距离，本节只剩下最后一个问题了，如何计算样本间的距离，假设样本是n维，常用的距离计算方法有：

1）欧拉距离（Euclidean distance）：

2）平方欧式距离（Squared Euclidean distance）：

3）曼哈顿距离（Manhattan distance）：

 

4）切比雪夫距离（Chebyshev distance）:

 

5）马氏距离（Mahalanobis distance）：

 

其中S为协方差矩阵。

 

对于文本或非数值型的数据，我们常用汉明距离（Hamming distance）和编辑距离（Levenshtein distance）表示样本间的距离。

 

不同的距离度量会影响簇类的形状，因为样本距离因距离度量的不同而不同，如点（1.1）和（0,0）的曼哈顿距离是2，欧式距离是sqrt(2)，切比雪夫距离是1。