当前位置:   article > 正文

KNN算法--距离公式之欧式距离_欧氏距离分割算法

欧氏距离分割算法

目录

一、欧氏距离概述

二、欧氏距离公式

1、二维空间距离公式

2、三维空间距离公式

3、n维空间距离公式

三、Python计算欧氏距离


一、欧氏距离概述

在KNN算法中,通常使用欧氏距离表达k个数据之间的最短距离,又称欧几里得度量,最常见的两个点或多个点之间的距离表示,指在m维空间里两个点之间的真实距离。

二、欧氏距离公式

1、二维空间距离公式

二维空间中,有a(x1,y1)和b(x2,y2)两点,则其两点之间的欧氏距离为:

d=\sqrt{(x1-x2)^2+(y1-y2)^{2}}

2、三维空间距离公式

三维空间中,有a(x1,y1,z1)和b(x2,y2,z2)两点,使用下列公式表达其两点之间的欧氏距离:

d=\sqrt{(x1-x2)^{2}+(y1-y2)^{2}+(z1-z2)^{2}}

3、n维空间距离公式

在n维空间中,有a(x_{1},x_{2},...,x_{n})b(y_{1},y_{2},...,y_{n})两点,距离公式表达为:

d=\sqrt{\sum_{i=1}^{n}(x_{i}-y_{i})^{2}}

三、Python计算欧氏距离

在python中,借助Numpy库,将两点坐标集合转换为数组,进行计算,下列为具体实现代码:

  1. import numpy as np
  2. def flist(a,b):
  3. return np.sqrt(sum(np.power((a - b), 2)))
  4. X = np.array([1,2,3])
  5. Y = np.array([0,1,2])
  6. print(flist(X,Y))

x,y分别对应a点和b点的坐标,上述代码为三维空间两点之间的欧氏距离,空间维数与数组中数字个数对应。

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/笔触狂放9/article/detail/703173
推荐阅读
相关标签
  

闽ICP备14008679号