欧氏算法

A. 欧几里得是啥和我们平时学的高数，线代，概率论有关系吗

欧几里得是古希腊着名数学家、欧氏几何学的开创者。
《几何原本》是他的代表作，欧式几何就是平面和立体几何。还有一门非欧几何，是映射几何与我们初、高中所学的几何不同。
欧几里德算法又称辗转相除法，和线性代数有着密切联系。

B. 用于数据挖掘的聚类算法有哪些

一部专着的篇幅。即使是做综述性的介绍，一篇三五十页的论文也可以写成了。所以我一直想怎么能从头到尾把这个问题logically串连起来。正好这段时间我在修改我做的交易策略里面关于聚类的部分。就我的理解而言，如果想全面的了解聚类算法并对其进行区别和比较的话，最好能把聚类的具体算法放到整个聚类分析的语境中理解。那我接下来主要谈谈我的理解，就不搬弄教科书里的概念了。相似性衡量（similarity measurement）相似性衡量又可以细分为直接法和间接：直接法是直接求取input data的相似性，间接法是求取data中提取出的features的相似性。但无论是求data还是feature的相似性，方法都是这么几种：距离。距离主要就是指Minkovski距离。这个名字虽然听起来陌生，但其算法就是Lp norm的算法，如果是L1 norm，那就是绝对值/曼哈顿距离（Manhattan distance）；如果是L2 norm，那就是着名的欧式距离（Euclidean distance）了，也是应用最广泛的；如果，supremum距离，好像也有叫切比雪夫距离的，但就很少有人用了。另外，还有Mahalanobis距离，目前来看主要应用于Gaussian Mixture Model（GMM），还有Lance&Williams距离等等，但几乎没见过求距离的时候会专门用这个的。相似系数。主要有夹角余弦和相关系数。相关系数的应用也非常广泛，其主要优势是它不受原线性变换的影响，而且可以轻松地转换为距离，但其运算速度要比距离法慢得多，当维数很高的时候。

C. 如何用Excel计算欧式距离

1、先新建立一个表格。

D. matlab中欧氏距离算法，帮看看下面这是么

features没有定义

后面两句
dist = ht - features;
dist = sum(dist.^2,2);
就是计算二维欧式空间的距离公式。

E. 数据挖掘常用算法有哪些

1、 朴素贝叶斯

朴素贝叶斯(NB)属于生成式模型(即需要计算特征与类的联合概率分布)，计算过程非常简单，只是做了一堆计数。NB有一个条件独立性假设，即在类已知的条件下，各个特征之间的分布是独立的。这样朴素贝叶斯分类器的收敛速度将快于判别模型，如逻辑回归，所以只需要较少的训练数据即可。即使NB条件独立假设不成立，NB分类器在实践中仍然表现的很出色。它的主要缺点是它不能学习特征间的相互作用，用mRMR中的R来讲，就是特征冗余。

2、逻辑回归(logistic regression)

逻辑回归是一个分类方法，属于判别式模型，有很多正则化模型的方法(L0，L1，L2)，而且不必像在用朴素贝叶斯那样担心特征是否相关。与决策树与SVM相比，还会得到一个不错的概率解释，甚至可以轻松地利用新数据来更新模型(使用在线梯度下降算法online gradient descent)。如果需要一个概率架构(比如，简单地调节分类阈值，指明不确定性，或者是要获得置信区间)，或者希望以后将更多的训练数据快速整合到模型中去，那么可以使用它。

3、 线性回归

线性回归是用于回归的，而不像Logistic回归是用于分类，其基本思想是用梯度下降法对最小二乘法形式的误差函数进行优化。

4、最近邻算法——KNN

KNN即最近邻算法，其主要过程为：计算训练样本和测试样本中每个样本点的距离(常见的距离度量有欧式距离，马氏距离等);对上面所有的距离值进行排序;选前k个最小距离的样本;根据这k个样本的标签进行投票，得到最后的分类类别;如何选择一个最佳的K值，这取决于数据。

5、决策树

决策树中很重要的一点就是选择一个属性进行分枝，因此要注意一下信息增益的计算公式，并深入理解它。

6、SVM支持向量机

高准确率，为避免过拟合提供了很好的理论保证，而且就算数据在原特征空间线性不可分，只要给个合适的核函数，它就能运行得很好。在动辄超高维的文本分类问题中特别受欢迎。可惜内存消耗大，难以解释，运行和调参也有些烦人，而随机森林却刚好避开了这些缺点，比较实用。

F. 为什么聚类分析中采用欧式距离平方

在聚类分析中，距离并不是固定的，因为欧式距离比较简单，而且能基本体现算法的性能，因此，比较常用。其它的距离也是有用的，可以根据具体的问题采用不同的距离，比如可以采用马氏距离来增加对椭球形状聚类结构的识别能力，马氏距离是欧式距离的推广，它的等距离点组成的是一个超椭球面，而欧式距离显然是一个球面。再举个例子，在距离函数中采用指数形式可以抑制噪声，比如基于高斯核诱导距离函数的聚类算法等等。距离函数本身的研究就是一门很深的学问，，全是自己打的，绝无雷同，请给点分。

G. pca算法为什么要 采用欧氏距离计算

我把训练样本和测试样本的数据用PCA降维后,直接用欧式距离计算训练向量和测试向量的距离,发现准确率一点都不比LDA差。LDA的主要优点是不是在于降维?

H. 机器学习 海明距离和欧式距离怎么计算的

在信息编码中，两个合法代码对应位上编码不同的位数称为码距，又称海明距离。两个码字的对应比特取值不同的比特数称为这两个码字的海明距离。一个有效编码集中,任意两个码字的海明距离的最小值称为该编码集的海明距离。

海明距离的几何意义：n位的码字可以用n维空间的超立方体的一个顶点来表示。两个码字之间的海明距离就是超立方体两个顶点之间的一条边，而且是这两个顶点之间的最短距离。

欧几里得度量（也称欧氏距离）是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度（即该点到原点的距离）。在二维和三维空间中的欧氏距离就是两点之间的实际距离。

(8)欧氏算法扩展阅读：

海明距离用于编码的检错和纠错，为了检测d个错误，需要一个海明距离为d+1的编码方案。因为在这样的编码方案中，d个1位错误不可能将一个有效码字改编成另一个有效码字。当接收方看到一个无效码字的时候，它就知道已经发生了传输错误。

类似地，为了纠正d个错误，需要一个距离为2d+1的编码方案，因为在这样的编码方案中，合法码字之间的距离足够远，因而即使发生了d位变化，则还是原来的码字离它最近，从而可以确定原来的码字，达到纠错的目的。

I. 样品用欧式距离定义时如何进行聚类分析

样品用欧式距离定义时进行聚类分析：在聚类分析中，距离并不是固定的，因为欧式距离比较简单，而且能基本体现算法的性能，因此，比较常用。

其它的距离也是有用的，可以根据具体的问题采用不同的距离，比如可以采用马氏距离来增加对椭球形状聚类结构的识别能力，马氏距离是欧式距离的推广，它的等距离点组成的是一个超椭球面，而欧式距离显然是一个球面。

直接聚类法

先把各个分类对象单独视为一类，然后根据距离最小的原则，依次选出一对分类对象，并成新类。如果其中一个分类对象已归于一类，则把另一个也归入该类；如果一对分类对象正好属于已归的两类，则把这两类并为一类。每一次归并，都划去该对象所在的列与列序相同的行。经过m-1次就可以把全部分类对象归为一类，这样就可以根据归并的先后顺序作出聚类谱系图。