距离度量分类体系

最新推荐文章于 2021-09-09 10:13:34 发布

原创

最新推荐文章于 2021-09-09 10:13:34 发布 · 4k 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#distance #matrix #class

本文提供了一个详细的距离度量分类体系，包括Numerical、Categorical、Binary、Mixed-type和Time Series Data等多种数据类型的距离度量方法，如欧氏距离、曼哈顿距离、马式距离等，并介绍了概率变量的相似性度量。同时，文章还阐述了相似性和不相似性的定义，以及Proximity Matrix和离差矩阵等相关概念。

本篇文章并不打算描述所有这些类别，要具体阐述它们的细节和意义实在有点困难。这个大纲的目的，第一：提供一个貌似详细的距离度量的分类体系，列出相关的关键字。第二：就像一个词典一样供参考和查阅，如果需要了解具体的细节，可以参考wiki或者具体文献。

大纲：
1. 相似性和不相似性的定义
2. 预备概念
3. 距离度量
    3.1 Numerical Data
          3.1.1 欧拉距离(Euclidean Distance)
          3.1.2 曼哈顿距离(Manhattan Distance)
          3.1.3.最大距离(Maximum Distance)
          3.1.4 明考夫斯基距离(MinKowski Distance)
          3.1.5 马式距离（Mahalanobis Distance）
          3.1.6 平均距离（Average Distance)
          3.1.7 其他距离：Chord Distance，Geodesic distance,…..
    3.2 Categorical Data
       &