distance metric 정리
Manhattan
X(x1, x2), Y(y1, y2)가 있을 때, 거리 d는
[tex]d=\sum_{i=1}^{n}|xi-yi|[/tex]
Euclidean
X(x1, x2), Y(y1, y2)가 있을 때, 거리 d는
[tex]d=\sqrt{\sum_{i=1}^{n}(xi-yi)^{2}}[/tex]
Euclidean Squared
Euclidean과 같은 방식이지만 sqare root를 하지 않는다.
Pearson Correlation
두 프로파일 사이의 형태에 관한 유사도 측정 방법
[tex]d=1-r[/tex]
[tex]r=\frac{{Z(x)}\cdot{Z(y)}}{n}[/tex]
Pearson Squared
[tex]d=1-2r[/tex]
Chebychev
두 점 사이의 최대 거리
X(x1, x2), Y(y1, y2)가 있을 때, 거리 d는
[tex]d=Max_{i}|Xi-Yi|[/tex]
Spearman
X(x1, x2), Y(y1, y2)가 있을 때, 거리 d는
[tex]d=1-\frac{6\sum_{i=1}^{n}(rank(Xi)-rank(Yi))^{2}}{n(n^{2}-1)}[/tex]
원문보기
http://www.joon.pe.kr/blog/trackback/152
