歐氏演算法

A. 歐幾里得是啥和我們平時學的高數，線代，概率論有關系嗎

歐幾里得是古希臘著名數學家、歐氏幾何學的開創者。
《幾何原本》是他的代表作，歐式幾何就是平面和立體幾何。還有一門非歐幾何，是映射幾何與我們初、高中所學的幾何不同。
歐幾里德演算法又稱輾轉相除法，和線性代數有著密切聯系。

B. 用於數據挖掘的聚類演算法有哪些

一部專著的篇幅。即使是做綜述性的介紹，一篇三五十頁的論文也可以寫成了。所以我一直想怎麼能從頭到尾把這個問題logically串連起來。正好這段時間我在修改我做的交易策略裡面關於聚類的部分。就我的理解而言，如果想全面的了解聚類演算法並對其進行區別和比較的話，最好能把聚類的具體演算法放到整個聚類分析的語境中理解。那我接下來主要談談我的理解，就不搬弄教科書里的概念了。相似性衡量（similarity measurement）相似性衡量又可以細分為直接法和間接：直接法是直接求取input data的相似性，間接法是求取data中提取出的features的相似性。但無論是求data還是feature的相似性，方法都是這么幾種：距離。距離主要就是指Minkovski距離。這個名字雖然聽起來陌生，但其演算法就是Lp norm的演算法，如果是L1 norm，那就是絕對值/曼哈頓距離（Manhattan distance）；如果是L2 norm，那就是著名的歐式距離（Euclidean distance）了，也是應用最廣泛的；如果，supremum距離，好像也有叫切比雪夫距離的，但就很少有人用了。另外，還有Mahalanobis距離，目前來看主要應用於Gaussian Mixture Model（GMM），還有Lance&Williams距離等等，但幾乎沒見過求距離的時候會專門用這個的。相似系數。主要有夾角餘弦和相關系數。相關系數的應用也非常廣泛，其主要優勢是它不受原線性變換的影響，而且可以輕松地轉換為距離，但其運算速度要比距離法慢得多，當維數很高的時候。

C. 如何用Excel計算歐式距離

1、先新建立一個表格。

D. matlab中歐氏距離演算法，幫看看下面這是么

features沒有定義

後面兩句
dist = ht - features;
dist = sum(dist.^2,2);
就是計算二維歐式空間的距離公式。

E. 數據挖掘常用演算法有哪些

1、 樸素貝葉斯

樸素貝葉斯(NB)屬於生成式模型(即需要計算特徵與類的聯合概率分布)，計算過程非常簡單，只是做了一堆計數。NB有一個條件獨立性假設，即在類已知的條件下，各個特徵之間的分布是獨立的。這樣樸素貝葉斯分類器的收斂速度將快於判別模型，如邏輯回歸，所以只需要較少的訓練數據即可。即使NB條件獨立假設不成立，NB分類器在實踐中仍然表現的很出色。它的主要缺點是它不能學習特徵間的相互作用，用mRMR中的R來講，就是特徵冗餘。

2、邏輯回歸(logistic regression)

邏輯回歸是一個分類方法，屬於判別式模型，有很多正則化模型的方法(L0，L1，L2)，而且不必像在用樸素貝葉斯那樣擔心特徵是否相關。與決策樹與SVM相比，還會得到一個不錯的概率解釋，甚至可以輕松地利用新數據來更新模型(使用在線梯度下降演算法online gradient descent)。如果需要一個概率架構(比如，簡單地調節分類閾值，指明不確定性，或者是要獲得置信區間)，或者希望以後將更多的訓練數據快速整合到模型中去，那麼可以使用它。

3、 線性回歸

線性回歸是用於回歸的，而不像Logistic回歸是用於分類，其基本思想是用梯度下降法對最小二乘法形式的誤差函數進行優化。

4、最近鄰演算法——KNN

KNN即最近鄰演算法，其主要過程為：計算訓練樣本和測試樣本中每個樣本點的距離(常見的距離度量有歐式距離，馬氏距離等);對上面所有的距離值進行排序;選前k個最小距離的樣本;根據這k個樣本的標簽進行投票，得到最後的分類類別;如何選擇一個最佳的K值，這取決於數據。

5、決策樹

決策樹中很重要的一點就是選擇一個屬性進行分枝，因此要注意一下信息增益的計算公式，並深入理解它。

6、SVM支持向量機

高准確率，為避免過擬合提供了很好的理論保證，而且就算數據在原特徵空間線性不可分，只要給個合適的核函數，它就能運行得很好。在動輒超高維的文本分類問題中特別受歡迎。可惜內存消耗大，難以解釋，運行和調參也有些煩人，而隨機森林卻剛好避開了這些缺點，比較實用。

F. 為什麼聚類分析中採用歐式距離平方

在聚類分析中，距離並不是固定的，因為歐式距離比較簡單，而且能基本體現演算法的性能，因此，比較常用。其它的距離也是有用的，可以根據具體的問題採用不同的距離，比如可以採用馬氏距離來增加對橢球形狀聚類結構的識別能力，馬氏距離是歐式距離的推廣，它的等距離點組成的是一個超橢球面，而歐式距離顯然是一個球面。再舉個例子，在距離函數中採用指數形式可以抑制雜訊，比如基於高斯核誘導距離函數的聚類演算法等等。距離函數本身的研究就是一門很深的學問，，全是自己打的，絕無雷同，請給點分。

G. pca演算法為什麼要 採用歐氏距離計算

我把訓練樣本和測試樣本的數據用PCA降維後,直接用歐式距離計算訓練向量和測試向量的距離,發現准確率一點都不比LDA差。LDA的主要優點是不是在於降維?

H. 機器學習 海明距離和歐式距離怎麼計算的

在信息編碼中，兩個合法代碼對應位上編碼不同的位數稱為碼距，又稱海明距離。兩個碼字的對應比特取值不同的比特數稱為這兩個碼字的海明距離。一個有效編碼集中,任意兩個碼字的海明距離的最小值稱為該編碼集的海明距離。

海明距離的幾何意義：n位的碼字可以用n維空間的超立方體的一個頂點來表示。兩個碼字之間的海明距離就是超立方體兩個頂點之間的一條邊，而且是這兩個頂點之間的最短距離。

歐幾里得度量（也稱歐氏距離）是一個通常採用的距離定義，指在m維空間中兩個點之間的真實距離，或者向量的自然長度（即該點到原點的距離）。在二維和三維空間中的歐氏距離就是兩點之間的實際距離。

(8)歐氏演算法擴展閱讀：

海明距離用於編碼的檢錯和糾錯，為了檢測d個錯誤，需要一個海明距離為d+1的編碼方案。因為在這樣的編碼方案中，d個1位錯誤不可能將一個有效碼字改編成另一個有效碼字。當接收方看到一個無效碼字的時候，它就知道已經發生了傳輸錯誤。

類似地，為了糾正d個錯誤，需要一個距離為2d+1的編碼方案，因為在這樣的編碼方案中，合法碼字之間的距離足夠遠，因而即使發生了d位變化，則還是原來的碼字離它最近，從而可以確定原來的碼字，達到糾錯的目的。

I. 樣品用歐式距離定義時如何進行聚類分析

樣品用歐式距離定義時進行聚類分析：在聚類分析中，距離並不是固定的，因為歐式距離比較簡單，而且能基本體現演算法的性能，因此，比較常用。

其它的距離也是有用的，可以根據具體的問題採用不同的距離，比如可以採用馬氏距離來增加對橢球形狀聚類結構的識別能力，馬氏距離是歐式距離的推廣，它的等距離點組成的是一個超橢球面，而歐式距離顯然是一個球面。

直接聚類法

先把各個分類對象單獨視為一類，然後根據距離最小的原則，依次選出一對分類對象，並成新類。如果其中一個分類對象已歸於一類，則把另一個也歸入該類；如果一對分類對象正好屬於已歸的兩類，則把這兩類並為一類。每一次歸並，都劃去該對象所在的列與列序相同的行。經過m-1次就可以把全部分類對象歸為一類，這樣就可以根據歸並的先後順序作出聚類譜系圖。