在k-means或kNN，我们是用欧氏距离来计算最近的邻居之间的距离。为什么不用曼哈顿距离？
曼哈顿距离只计算水平或垂直距离，有维度的限制。另一方面，欧氏距离可用于任何空间的距离计算问题。 因为，数据点可以存在于任何空间，欧氏距离是更可行的选择。例如：想象一下国际象棋棋盘，象或车所 做的移动是由曼哈顿距离计算的，因为它们是在各自的水平和垂直方向做的运动 ...
原文：K-means真的不能使用曼哈顿距离吗？
.问题 说到k means聚类算法，想必大家已经对它很熟悉了，它是基于距离计算的经典无监督算法，但是有一次在我接受面试时，面试官问了我一个问题： k means为什么不能使用曼哈顿距离计算，而使用欧式距离进行计算 ，当时我顿时懵了，心想： 难道不都可以吗 ，我只能说都可以，然后面试官给了我一个眼神， 你回去查查吧，看看到底为什么 ,然后我就回家啦。这是我后来在网上找到的回答，如下图： .k me ...
2020-03-02 23:43 0 2152 推荐指数：
相关推荐
3. sklearn的K-Means的使用
1. K-Means原理解析 2. K-Means的优化 3. sklearn的K-Means的使用 4. K-Means和K-Means++实现 1. 前言 在机器学习中有几个重要的python学习包。 sklearn：sklearn里面包含了各种机器学习的算法结构 ...
K-means Algorithm
在监督学习中，有标签信息协助机器学习同类样本之间存在的共性，在预测时只需判定给定样本与哪个类别的训练样本最相似即可。在非监督学习中，不再有标签信息的指导，遇到一维或二维数据的划分问题，人用肉眼就很容易 ...
聚类-K-Means
. K-Means算法的思想很简单，对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇 ...
K-Means ++ 算法
） K-Means ++ 算法 k-means++算法选择初始seeds的基本思想就是：初始的聚类中 ...
sklearn k-means
一.k-means原理 k-means属于无监督学习。 将原始点分成3类 k的取值， 1.需要将样本分成几类，k就取几 2.通过网格搜索自动调节 中心点计算：所有点的x，y，z取平均(x1+x2+……xn)/n，（y1+y2+yn)/n ...
K-means 算法
）； 对与数据集中的每个数据点，按照距离K个中心点的距离，将其与距离最近的中心点关联起来，与同一中心点关联的所有点聚 ...
K-Means算法
聚类与分类的区别 分类 类别是已知的，通过对已知分类的数据进行训练和学习，找到这些不同类的特征，再对未分类的数据进行分类。属于监督学习。 聚类 事先不知道数据会分为几类，通过聚类分析将数据聚合 ...