Python学习系列文章：👉 目录 👈
文章目录
一、概述
闵可夫斯基距离 (Minkowski Distance)，也被称为 闵氏距离。它不仅仅是一种距离，而是将多个距离公式（曼哈顿距离、欧式距离、切比雪夫距离）总结成为的一个公式。
二、计算公式
1. 闵氏距离公式
首先假设两个 n 维变量 与
。
对于这两个 n 维变量，则有闵氏距离公式为：
乍一看，可能觉得这个公式很复杂，也觉得这个公式与前面说到的距离公式（曼哈顿距离、欧式距离、切比雪夫距离）没太大关联，但当我分解一下，就知道有什么关联了。
2. 闵氏距离的参数 p
闵氏距离主要和它的参数 有关，
值不同，公式也将不同。
① 时，闵氏距离 为 曼哈顿距离
② 时，闵氏距离 为 欧式距离
③ 时，闵氏距离 为 切比雪夫距离
3. 闵氏距离的缺点
① 将各个分量的量纲(scale)，也就是“单位”相同的看待了;
例如：二维样本(身高[单位:cm],体重[单位:kg]),现有三个样本：a(180,50)，b(190,50)，c(180,60)。
a与b的闵氏距离（无论是曼哈顿距离、欧氏距离或切比雪夫距离）等于a与c的闵氏距离。但实际上身高的 10cm 并不能和体重的 10kg 划等号。
② 未考虑各个分量的分布（期望，方差等）可能是不同的。
文章出处登录后可见！
已经登录？立即刷新
