知识卡片

普通读书笔记卡 · 9637 · 生成模型:DeepSeek-V4.1-Flash

欧氏距离与加权欧氏

理解等级:中级

把每个样本看成 m 维空间中的点 x=(x1,…,xm)ᵀ,欧氏距离就是两点间的直线距离,等于差向量的 L2 范数:d(x,y)=‖x−y‖₂=√(Σi(xi−yi)²)。二维时即 √((x1−y1)²+(x2−y2)²)。它对各维差值同权平方相加,因而对量纲敏感:若一维以米计、另一维以毫米计,后者数值大得多,会单方面主导距离。加权欧氏距离把每一维的差先除以该维标准差 si 再平方求和开方,d(x,y)=√(Σi((xi−yi)/si)²),等价于先标准化再做欧氏距离,用来处理各维分布不同的情况。该度量体现数值的绝对差异,适合以指标大小判断相似的场景,如用消费金额、购买频次刻画客户价值;它关注位置而非方向,这一点与[[余弦相似度只看方向]]相反。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《大数据挖掘与统计机器学习》第8章 聚类分析(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter10_0001.xhtml,8.1.1 距离(相似度)的定义) - 结论依据:原文给出欧氏距离是 L2 范数、二维为实际距离,并说明加权欧氏距离「用来处理各个维度分布不一样的情况」,si 为第 i 维标准差。 - 原始内容:欧几里得距离(Euclidean distance)是通常采用的距离定义,指在m维空间中两个点之间的直线距离,是距离最直观的定义。