Различное расстояние, которое мы используем для наших моделей ML
В этом блоге мы обсудим наиболее часто используемые расстояния для расчета расстояния между двумя точками.
Как немногие из вас помнили, что мы использовали в школьные времена, такие как евклидово расстояние между двумя точками, есть несколько других расстояний, которые мы использовали в нашем алгоритме ML, например:
а. Евклидово расстояние
b. Манхэттенское расстояние
c. Расстояние Минковского
d. Расстояние Хэмминга
Евклидово расстояние:
Евклидово расстояние — это наименьшее расстояние среди всех, и оно очень полезно для наших алгоритмов Ml. это дается:
давайте разберемся на примере скажем у нас есть x1, y1(1,2) и x2, y2(7,8)
Манхэттенское расстояние:
Манхэттенское расстояние легко рассчитать по сравнению с другими средствами более быстрого выполнения, оно определяется по формуле:
Это абсолютная разница значений.
В KNN полезно уменьшить накладные расходы на вычисления по сравнению с евклидовым расстоянием.
Расстояние Минковского:
Расстояние Минковского определяется как:
обычно используется с p=1,2, для
p=1 это будет манхэттенское расстояние, а
p=2 это будет евклидово расстояние
Расстояние Хэмминга:
Расстояние Хэмминга используется для вычисления расстояния между строками, сначала преобразованными в двоичный формат, и взятием XOR строк, которое дает расстояние между строками. Он рассчитывается только для строк одинаковой длины.
это дается рассмотрением двух строк, таких как:
«gaurav» XOR «gourav» = 1
«ap oorva» XOR «apurvaa» = 4
Счастливого обучения
Спасибо за чтение.
исправления и дополнения высоко ценятся.🙂
