聚类分析的距离度量:欧氏距离vs曼哈顿距离.docxVIP

  • 3
  • 0
  • 约4.42千字
  • 约 9页
  • 2026-03-26 发布于上海
  • 举报

聚类分析的距离度量:欧氏距离vs曼哈顿距离.docx

聚类分析的距离度量:欧氏距离vs曼哈顿距离

一、聚类分析与距离度量的核心关联

(一)聚类分析的本质:从“相似性”到“距离”的转化

聚类分析,本质是一场用数据寻找“同类”的实践。比如电商平台想把“消费习惯相似的客户”归为一类,医疗系统想把“症状相近的患者”聚成一组,图像识别要把“形状类似的物体”分到同一类——这些需求的底层逻辑,都是“相似的样本应该被归为同一类”。但“相似性”是抽象的,就像我们说“苹果和梨很像”,到底像在颜色、形状还是口感?这需要一个可量化的“尺子”——距离度量。

在聚类中,“相似性”与“距离”是反向关联的:两个样本的距离越小,说明它们越相似,越应该被归为一类;距离越大,差异越大

您可能关注的文档

文档评论(0)

1亿VIP精品文档

相关文档