[数据挖掘]数学基础---距离度量方式（马氏距离，欧式距离，曼哈顿距离）

最新推荐文章于 2025-10-24 17:44:16 发布
原创 最新推荐文章于 2025-10-24 17:44:16 发布 · 8k 阅读 · 8
本文介绍了数据挖掘中的三种距离度量方法：马氏距离、欧式距离和曼哈顿距离。马氏距离考虑了数据的协方差，能更准确地衡量样本集间的相似度。欧式距离是马氏距离的特殊情况，当协方差矩阵为单位矩阵时等同于欧式距离。曼哈顿距离，又称出租车几何距离，是各坐标轴上绝对差值的总和。文章通过实例解释了马氏距离在距离判别中的应用，并强调了使用这些距离度量时的注意事项。

马氏距离

概念：马氏距离是由印度统计学家马哈拉洛比斯提出的，表示数据的协方差距离。它是一种有效的计算两个位置样本集相似度的方法。

马氏距离的定义：设总体G为m维总体（考察m个指标），均值向量为 μ=(μ1,μ2,...,μm)′ ，协方差阵为 ∑=(σij) ,则样品 X=(x1，x2，...,xm)′ 与总体G的马氏距离定义为

d2(X,G)=(X−μ)′∑−1(X−μ)
当 m

最低0.47元/天 解锁文章
KNN实战避坑指南：欧氏距离、曼哈顿距离怎么选？用Scikit-learn快速对比不同度量下的分类效果
最新发布
weixin_28717807的博客
05-20 360
本文深入探讨KNN算法中距离度量的选择策略，对比欧氏距离、曼哈顿距离和切比雪夫距离在不同数据场景下的表现。通过Scikit-learn实战演示，结合鸢尾花数据集分析各距离度量的分类效果差异，并提供数据预处理、维度优化和参数调优的实用建议，帮助开发者规避KNN应用中的常见陷阱。
相似性度量（距离及相似系数）
热门推荐
vast_w
06-30 6万+
在分类聚类算法中，时常需要计算两个变量（通常是向量的形式）的距离，即相似性度量。其中，距离度量的性质：非负性，自反性，对称性和三角不等式。 　　本文的目的就是对常用的相似性度量作一个总结。 本文目录： 1.欧氏距离 2.曼哈顿距离 3. 切比雪夫距离 4. 闵可夫斯基距离 5.标准化欧氏距离 6.马氏距离 7.余弦相似度
多元统计分析——欧式距离和马氏距离
huangguohui_123的博客
05-19 1万+
在一元的情形中，定义两个点和之间的距离： 两者作差的绝对值，我们称为欧式距离。 经过标准化的作差绝对值，我们称为统计距离，或者标准化过后的距离。其中，代表样本的标准差。 在多元的情形中，假设我们有两个维向量和 如上面的定义，和相当于维空间中的两个点。我们也有两种方法定义两个点之间的距离。 一、欧式距离（Euclidean distance）/范数 欧式距离的计算公式如下： 直观的理解即为：每个分量之间的差异的平方和，再开根号。 缺陷： 1、没有考虑到不同变量（维度）变化的尺度不同。 例
距离和相似度度量
weixin_30248399的博客
11-18 534
在数据分析和数据挖掘的过程中，我们经常需要知道个体间差异的大小，进而评价个体的相似性和类别。最常见的是数据分析中的相关分析，数据挖掘中的分类和聚类算法，如K最近邻（KNN）和K均值（K-Means）。当然衡量个体差异的方法有很多，最近查阅了相关的资料，这里整理罗列下。 为了方便下面的解释和举例，先设定我们要比较X个体和Y个体间的差异，它们都包含了N个维的特征，即X=（x1， x2， x3， … ...
马氏距离 (马哈拉诺比斯距离) (Mahalanobis distance)
zywvvd的博客
03-27 5118
马氏距离(Mahalanobis distance)是由印度统计学家马哈拉诺比斯(P. C. Mahalanobis)提出的，表示点与一个分布之间的距离。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，本文介绍马氏距离相关内容。 欧氏距离的缺点 距离度量在各个学科中有着广泛用途，当数据表示为向量x→=(x1,x2,⋯ ,xn)T\overrightarrow{\mathbf{x} }=\left(x_{1}, x_{2}, \cdots, x_{n}\r.
马氏距离(Mahalanobis Distance)推导及几何意义
这个人很蓝
02-14 1万+
假设数据集X∈RN×FX\in R^{N\times F}X∈RN×F，x1,x2∈RFx_1,x_2\in R^{F}x1​,x2​∈RF为数据集中的两个样本，则x1x_1x1​与x2x_2x2​的马氏距离是 Dismahalanobis(x1,x2)=(x1−x2)Σ−1(x1−x2)T Dis_{mahalanobis}(x_1,x_2)=\sqrt{(x_1-x_2)\Sigma^{-1}...
【转】关于Mahalanobis距离的笔记
weixin_34120274的博客
12-09 504
Mahalanobis距离是用来度量一个点P和一个分布D之间的距离，它是衡量点P与分布D的均值之间存在多少个标准差的一个多维泛化版本。如果P就位于分布D的均值处，则该距离为0；该距离随着P的偏离均值开始逐步增大。由印度统计学家马哈拉诺比斯（P. C. Mahalanobis）提出的，表示数据的协方差距离。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（...
马氏距离
07-25 1178
马氏优缺点：　　1）马氏距离的计算是建立在总体样本的基础上的，这一点可以从上述协方差矩阵的解释中可以得出，也就是说，如果拿同样的两个样本，放入两个不同的总体中，最后计算得出的两个样本间的马氏距离通常是不相同的，除非这两个总体的协方差矩阵碰巧相同；　　2）在计算马氏距离过程中，要求
机器学习部分：距离的度量（欧氏距离，曼哈顿距离，夹角余弦距离，切比雪夫距离，汉明距离，闵可夫斯基距离，马氏距离）
wyqwilliam的博客
08-14 9935
在数据挖掘中，我们经常需要计算样本之间的相似度(Similarity ),我们通常的做法是计算样本之间的距离,本文对距离计算方法做以下总结。 距离计算方法   1.欧式距离EuclideanDistance 欧式距离：也称欧几里得距离，在一个N维度的空间里，求两个点的距离，这个距离肯定是一个大于等于零的数字，那么这个距离需要用两个点在各自维度上的坐标相减，平方后加和再开方。 ...
常用相似性(距离)度量方法概述
明日韭菜
08-12 1万+
1 使用背景 在数据分析和数据挖掘的过程中，我们经常需要知道个体间差异的大小，进而评价个体的相似性和类别。 最常见的是数据分析中的相关性分析，数据挖掘中的分类和聚类算法，如K最近邻（KNN）和K均值（K-Means）、图计算等等。 在做很多研究问题 2 距离度量 距离度量（Distance）用于衡量个体在空间上存在的距离，距离越远说明个体间的差异越大。 2.1. 曼哈顿距离(Manhattan Distance) 在曼哈顿要从一个十字路口开车到另外一个十字路口，实际驾驶距离就是这个“曼哈顿距离”。而这
欧氏距离，曼哈顿距离，闵可夫斯基距离，马氏距离，汉明距离
DDsoup 24小时不打烊芜湖！
09-13 4138
欧氏距离，曼哈顿距离，闵可夫斯基距离，马氏距离，汉明距离
马氏距离概念
qq_37933128的博客
09-01 4329
它是一种有效的计算两个未知样本集的相似度的方法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。当求距离的时候，由于随机向量的每个分量之间量级不一样，比如说x1可能取值范围只有零点几，而x2有可能时而是2000，时而是3000，因此两个变量的离散度具有很大差异。以克（g）为单位测量人的体重，数据分布比较分散，即方差大，而以厘米为单位来测量人的身高，数据分布就相对集中，方差小。如上图，看左下方的图，比较中间那个绿色的和另外一个绿色的距离，以及中间绿色到蓝色的距离。...
欧式距离，马氏距离，曼哈顿距离
2302_77417175的博客
09-23 576
在实际应用中，选择合适的距离度量取决于数据的特性和问题的需求。例如，如果数据集中的特征具有不同的量纲和尺度，马氏距离可能更为合适；在实际应用中，选择合适的距离度量取决于具体问题和数据特性。例如，如果数据集中的特征具有不同的量纲和尺度，马氏距离可能更为合适；曼哈顿距离适合于城市街道的距离计算，或者当数据点的移动只能沿着坐标轴时。它不考虑维度之间的对角线距离，而是计算点在每个维度上的绝对差值之和。欧式距离、马氏距离和曼哈顿距离是衡量两点间距离的几种方式，常用于机器学习和数据挖掘中。
数据挖掘中的几个相似性度量
2301_79595880的博客
09-23 1383
余弦相似度是一种衡量两个非零向量之间方向相似性的方法。它通过计算两个向量的夹角的余弦值来评估它们之间的相似性。余弦相似度的值介于-1和1之间，其中1表示两个向量完全相同（方向一致），0表示两个向量正交（方向垂直），而-1表示两个向量完全相反（方向一致但方向相反）。余弦相似度是一个无量纲的指标，它只关注向量的方向，而不受向量长度的影响.余弦相似度主要使用向量空间中两个向量夹角的余弦值作为相似性度量的指标，主要用于计算文档数据之间的相似性。
各种几何距离的概念（ 欧式距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准欧氏距离、马氏距离、余弦距离、汉明距离、杰拉德距离、相关距离、信息熵）
weixin_43829882的博客
10-24 1143
各种几何距离的概念（ 欧式距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准欧氏距离、马氏距离、余弦距离、汉明距离、杰拉德距离、相关距离、信息熵）
数值特征的各种距离度量
2301_79574624的博客
10-09 1349
马氏距离是由印度统计学家马哈拉诺比斯(P. C. Mahalanobis)提出的，表示数据的协方差距离，即表示点与一个分布之间的距离，其是一种有效的计算两个数据对象之间相似度的方法，也即是一种有效的计算两个未知样本集的相似度的方法。红，黄，蓝三条折线长度相等,都是行车的最短距离——平面上的曼哈顿距离，即两点之间的水平距离与铅锤距离之和：设左下方圆点起点，右上方圆点为中点，每个房子边长为1，则起点坐标为(0,0)，终点坐标为(6,6)，根据曼哈顿距离公式得起点到终点的曼哈顿距离为。要开车从图中A点到B点。
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）
一名在读大学生，正在学习深度学习，会定期分享一些该领域内容。欢迎大家一起交流学习~
05-01 1万+
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。
机器学习---常见的距离公式（欧氏距离、曼哈顿距离、标准化欧式距离、余弦距离、杰卡德距离、马氏距离、切比雪夫距离、闵可夫斯基距离、K-L散度）
weixin_43961909的博客
08-20 5万+
欧几里得度量（euclidean metric）（也称欧氏距离）是一个通常采用的距离定义，指在m维空。间中两个点之间的真实距离，或者向量的自然长度（即该点到原点的距离）。的欧氏距离就是两点之间的实际距离。
欧式距离和曼哈顿距离的比较
cyy2learn的博客
01-08 2万+
欧式距离 定义： 欧几里得度量（euclidean metric）（也称欧氏距离）是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离。 意义： 欧氏距离越小，两个向量的相似度越大；欧氏距离越小，两个向量的相似度越小。 缺点： 对异常数据敏感。 欧式距离将向量各个维度之间的差异等同对待。（实际情况中，样本的不同属性重要程度往往不同。） 优点： 计算速度快。 曼哈顿距离 定义： 欧氏距离...
无监督学习——距离度量
nijun1992的博客
04-26 3020
距离度量(distance measure)函数dist(∙,∙)满足的一般性质： 非负性：dist(xi,xj)≥0； 同一性：dist(xi,xj)=0，当且仅当xi=xj； 对称性：dist(xi,xj)=dist(xj,xi),； 直递性：dist(xi,xj)≤dist(xi,xk)+dist(xk,xj),. 常用的距离度量方法是闵可夫斯基距离(Minkowski dis...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值