Skip navigation

Távolság-metrikák

A távolság-metrikák axiómarendszere

Egy d(p,q) adatpont pároson értelmezett d: Rn×Rn →R függvényt távolságmetrikának nevezünk, amennyiben eleget tesz a következő feltételeknek:

  1. d(p,q) ≥ 0: (nemnegatív)
  2. d(p,q) = 0 ⇔ p = q: (pozitív definit)
  3. d(p,q) = d(q,p): (szimmetrikus)
  4. d(p,q) ≤ d(p,f) + d(q,f): (háromszög-egyenlőtlenség)

Manhattan-távolság

Tekintsünk egy p=(p1,p2,..,pN) és egy q=(q1,q2,...,qN) vektort! A p és q vektor Manhattan-távolsága:

d({\mathbf p},{\mathbf q}) = \sum_{i=1}^N |p_i - q_i|

Euklideszi távolság

Tekintsünk egy p=(p1,p2,..,pN) és egy q=(q1,q2,...,qN) vektort! A p és q vektor Euklideszi távolsága:

d({\mathbf p},{\mathbf q}) = \sqrt{\sum_{i=1}^N (p_i - q_i)^2}

Minkowski-távolság

Tekintsünk egy p=(p1,p2,..,pN) és egy q=(q1,q2,...,qN) vektort! A p és q vektor Minkowski-távolsága:

d({\mathbf p},{\mathbf q}) = \left( \sum_{i=1}^N | p_i - q_i |^p\right)^{\frac{1}{p}}

Vegyük észre, hogy

  • p=1 esetben a Manhattan-távolságot kapjuk,
  • p=2 esetben az Euklideszi távolságot kapjuk,
  • p=∞ esetben a maximum normát kapjuk!

Koszinusz-távolság

Tekintsünk egy p=(p1,p2,..,pN) és egy q=(q1,q2,...,qN) vektort! A koszinus távolság a p és q vektor által bezárt szög koszinusza:

\cos \Theta = \frac{{\mathbf p}^T{\mathbf q}}{||{\mathbf p}||\cdot||{\mathbf q}||}

Mahalanobis-távolság

Tekintsünk egy p=(p1,p2,..,pN) és egy q=(q1,q2,...,qN) vektort! A p és q vektor Mahalanobis-távolsága a következőképpen adható meg:

d({\mathbf p},{\mathbf q}) = \sqrt{({\mathbf p} - {\mathbf q})^T \Sigma^{-1} ({\mathbf p}-{\mathbf q})}

ahol Σ a jellemzők által felvett értékekből számított kovarianciamátrix.