1、先新建立一个表格。
2、我做个表格,随便输入一些坐标。
3、迟脊渗其实平方就“码脊shift+6”然后输入一个“2”,输入后如图就是这样的“^2”。
4、其实开方就“shift+6”然后输入一个“(1/2)”,输入后如图就是这样的“^(1/2)”。
5、完整野侍的计算公式如图。
6、看看效果。
欧式距离计算公式是0ρ = sqrt( (x1-x2)^2+(y1-y2)^2 )。
许多算法,无论是监督学习还是无监督学习,都会使用距离度量。这些度量,如欧几里得距离或者余弦相似性,经常在 k-NN、 UMAP、HDBSCAN 等算法中使用。了解距离度量这个领域可能比你想的更重要,以 k-NN 为例,它常被用于监督学习中。
欧氏距离的用途
我们从最常见的欧式距离开始,欧式距离可解释为连接两个尺巧乎点的线段的长度。欧式距离公式非常简单,使用勾股定理从这些点的笛卡尔坐标计算距离。缺点尽管这是一种常用的距离度量,但欧式距离并不是尺度不变的,这宽贺意味着所计算的距离可能会根据特征的单位发生倾斜。
通常,在使用欧式距离度量陵悉之前,需要对数据进行归一化处理。用例当你拥有低维数据且向量的大小非常重要时,欧式距离的效果非常好。如果在低维数据上使用欧式距离,则如 k-NNHDBSCAN 之类的方法可达到开箱即用的效果。
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)