大数据学习笔记:距离度量和相似度度量

本文介绍了数据挖掘中距离度量和相似度度量的重要性,详细讲解了欧氏距离和曼哈顿距离的概念、计算方法,并通过R语言提供了计算实例。欧氏距离适用于多维空间,而曼哈顿距离常用于有规则布局的场景,如早期计算机图形学。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

一、度量

(一)概述

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。而如何来度量数据之间的差异则成为关键,分类算法或聚类算法的本质都是基于某种度量(距离度量和相似度度量)来实现的。

(二)距离度量

1、距离度量概念

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、常用距离度量

  • 欧氏距离
  • 明可夫斯基距离
  • 曼哈顿距离
  • 切比雪夫距离
  • 马氏距离

(三)相似度度量

1、相似度度量概念

相似度用距离来度量,相似度度量指标种类如下图所示。相似度通常是非负的,取值在0-1之间。距离越大,相似性越小,在应用过程中要注意计算的是相似度还是距离。

2、常用相似度度量

  • 向量空间余弦相似度(Cosine Similarity)
  • 皮尔森相关系数(Pearson Correlation Coefficient)

二、欧式距离

(一)欧氏距离定义

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

酒城译痴无心剑

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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