几种距离度量方法的简介、区别和应用场景 |
您所在的位置:网站首页 › 距离度量指标包括哪些 › 几种距离度量方法的简介、区别和应用场景 |
目录 前言 几种常见距离度量方法 欧几里得距离 简介 公式 曼哈顿距离(Manhattan Distance) 简介 公式 应用场景 切比雪夫距离 简介 公式 闵科夫斯基距离 简介 公式 缺点 马氏距离 简介 公式 汉明距离 简介 应用: 余弦相似度 简介 公式 杰卡德距离 皮尔森相关系数 简介 公式 编辑距离 K-L散度 几种常见的距离度量比较与应用 曼哈顿距离、欧氏距离、皮尔逊相关系数 距离度量,越小越相似 相似度度量,越大越相似 欧氏距离与余弦相似度 前言在机器学习与数据挖掘中,我们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)等等。根据数据特性的不同可以采用不同的度量方法。 几种常见距离度量方法 欧几里得距离 简介欧式距离是最容易直观理解的距离度量方法,两点间在空间中的距离一般都是指欧氏距离。 二维平面上点a(x1,y1)与b(x2,y2)间的欧氏距离。 三维空间点a(x1,y1,z1)与b(x2,y2,z2)间的欧式距离: n维空间点a(x11,x12,...,x1n)与b(x21,x22,...,x2n)间的欧氏距离(两个n维向量): 在曼哈顿街区,从一个十字路口开车到另一个十字路口,驾驶距离显然不是两点间的直线距离。这个实际驾驶距离就是曼哈顿距离。 用一句话来说就是:两个点在标准坐标系上的绝对轴距总和。 二维平面两点a(x1,y1)和b(x2,y2)间的曼哈顿距离: n维空间点a(x11,x12,...,x1n)与b(x21,x22,...,x2n)的曼哈顿距离: 剑指Offer------网易笔试之解救小易(牛客网在线提交) 有一片1000*1000的草地,小易初始站在(1,1)(最左上角的位置)。小易在每一秒会横向或者纵向移动到相邻的草地上吃草(小易不会走出边界)。 大反派超超想去捕捉可爱的小易,他手里有n个陷阱。第i个陷阱被安置在横坐标为xi ,纵坐标为yi 的位置上,小易一旦走入一个陷阱,将会被超超捕捉。 你为了去解救小易,需要知道小易最少多少秒可能会走入一个陷阱,从而提前解救小易。 输入描述: 第一行为一个整数n(n ≤ 1000),表示超超一共拥有n个陷阱。 第二行有n个整数xi,表示第i个陷阱的横坐标 第三行有n个整数yi,表示第i个陷阱的纵坐标 保证坐标都在草地范围内。 输出描述: 输出一个整数,表示小易最少可能多少秒就落入超超的陷阱 输入例子: 3 4 6 8 1 2 1 输出例子: 3 思路:利用曼哈顿距离计算最短距离。实现: #include int main(){ int n; scanf("%d",&n); int loop[n][n]; int j; for(j=0;j |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |