曼哈顿

机器学习1000题-01

杀马特。学长 韩版系。学妹 提交于 2019-12-22 17:22:41
在k-means或kNN,我们是用欧氏距离来计算最近的邻居之间的距离。为什么不用曼哈顿距离? 曼哈顿距离是计算水平或垂直方向上的距离,是两个点在标准坐标系上的绝对轴距之和,有维度的限制; 欧式距离可以计算任何空间的距离。 因为,数据点可以存在于任何空间,欧氏距离是更可行的选择。 例如:想象一下国际象棋棋盘,象或车所做的移动是由曼哈顿距离计算的,因为它们是在各自的水平和垂直方向做的运动。 来源: CSDN 作者: song吖 链接: https://blog.csdn.net/qq_35382702/article/details/103653417

曼哈顿距离

匿名 (未验证) 提交于 2019-12-02 23:05:13
版权声明:本文为博主原创文章,转载请注明出处。 https://blog.csdn.net/djstavaV/article/details/86882989 原文出处: https://blog.xugaoxiang.com/ai/manhattan-distance.html 软硬件环境 ubuntu 18.04 64bit anaconda with python 3.6 numpy 1.12.1 前言 维基百科上给的定义 想象你在曼哈顿,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”。而这也是曼哈顿距离名称的来源,曼哈顿距离也称为城市街区距离。 在上图中,绿线是欧几里得距离,红线是曼哈顿距离,蓝线和黄线是等价的曼哈顿距离。 二维平面两点a(x1,y1)与b(x2,y2)间的曼哈顿距离 两个n维向量a(x11,x12,…,x1k)与 b(x21,x22,…,x2k)间的曼哈顿距离 代码实现 #!/usr/bin/env python # -*- coding: utf-8 -*- # @Date : 2018-08-20 16:10:23 # @Author : xugaoxiang (djstava@gmail.com) # @Link : link # @Version : 1.0.0 import os import numpy as np

鸡尾酒之威士忌

♀尐吖头ヾ 提交于 2019-11-30 04:32:06
威士忌 1. 曼哈顿 曼哈顿 调制曼哈顿鸡尾酒时,威士忌最好选用美国威士忌或加拿大威士忌,这样鸡尾酒在香味和口感上会更醇厚。 曼哈顿香气浓郁,甘甜可口,但其酒精度数也较高。 2. 教父 教父 教父因美国知名影片《教父》得名, 教父鸡尾酒既有威士忌的馥郁芳香,又有杏仁利口酒的浓厚味道。 3. 迈阿密海滩 迈阿密海滩 迈阿密海滩是一款柚子汁鸡尾酒,它拥有漂亮的颜色渐变,口感非常清甜爽朗,能够解暑消渴, 非常适合度假时在海滩饮用 。 来源: https://www.cnblogs.com/Vowzhou/p/11560245.html

【算法】机器学习中常见距离算法汇总

烂漫一生 提交于 2019-11-28 03:02:51
1.欧几里得距离(euclidean Distance):也叫做欧式距离。源自欧氏空间中两点间的距离公式,有二维平面上两点间的欧氏距离,三维空间两点间的欧氏距离。 2.曼哈顿距离(manhattan Distance):听名字就感觉是跟纽约的曼哈顿有关,是说从曼哈顿街区的一个十字路口开车到另外一个十字路口,驾驶距离因为不是两点间的直线距离,而实际驾驶距离就是这个“曼哈顿距离”。所以这也是曼哈顿距离名称的来源。 蓝色的线就是曼哈顿距离 3.余弦距离(cosine Distance) 4.皮尔森距离(pearson Distance) 5.切比雪夫距离(chebyshev Distance):各坐标数值差的最大值。 6.洛伦兹距离(lorentzian Distance) 7.堪培拉距离(canberra Distance) 8.波浪距离(wavehedges Distance) 9.杰卡德距离(jaccard Distance) 10.巴氏距离 (Bhattacharyya Distance) 11.马氏距离 (Mahalanobis Distance) 12.汉明距离 (Hamming Distance) 来源: https://www.cnblogs.com/songgj/p/11387986.html

曼哈顿距离转换到切比雪夫距离

纵饮孤独 提交于 2019-11-28 00:32:33
定义 在平面内, 1. 欧几里得距离($Euclidean Metric$):$\sqrt {(x_1-x_2)^2 + (y_1-y_2)^2}$. 2. 曼哈顿距离($Manhattan Distance$):$\sqrt {(x_1-x_2)^2 + (y_1-y_2)^2}$. 3. 切比雪夫定理($Chebyshev Distance$):$max(|x_1-x_2|, |y_1-y_2|)$. 转换 这里只介绍曼哈顿距离转换成欧几里得距离,反过来是类似的。 定理 :$(x_1, y_1)$ 与 $(x_2, y_2)$ 的曼哈顿距离等于 $(x_1-y_1, x_1+y_1)$ 与 $(x_2-y_2, x_2+y_2)$ 的切比雪夫距离。 1. 从几何意义 距原点曼哈顿距离为 $a$ 的点组组成了一个正方形:$(a,0),(0,a),(-a,0),(0,-a)$. 同样,距原点切比雪夫距离为 $a$ 的点也组成一个正方形:$(a,a),(-a,a),(-a,-a),(a,-a)$. 建立一个一一映射,即相当于将曼哈顿距离中的点逆时针旋转 $45$ 度,再扩大 $\sqrt 2$ 倍。 设点 $A(x,y)$,由旋转公式,${x}' = \sqrt 2(cos\theta\cdot x - sin \theta\cdot y), \ {y}' = \sqrt 2(sin