Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lernen Distanzmaße | Kernkonzepte
Clusteranalyse

bookDistanzmaße

Clustering gruppiert ähnliche Datenpunkte. Dafür muss der „Abstand“ zwischen den Punkten gemessen werden. Abstandsmaße geben an, wie ähnlich oder unterschiedlich Datenpunkte sind. Die Wahl des richtigen Abstandsmaßes ist entscheidend.

Wir betrachten zwei gängige Abstandsmaße: Euklidischer Abstand und Manhattan-Abstand.

Euklidischer Abstand

Der euklidische Abstand entspricht der Messung der Luftlinie zwischen zwei Punkten. Stellen Sie sich vor, Sie betrachten eine Karte und messen die Entfernung zwischen zwei Städten in gerader Linie. Das ist der euklidische Abstand. Es ist die gebräuchlichste Methode zur Distanzmessung.

Man kann ihn einfach als „Luftlinienentfernung“ verstehen. Er eignet sich gut, wenn die direkte Entfernung und alle Richtungen gleich wichtig sind.

Zum Beispiel: Wenn Sie zwei Punkte haben, denken Sie daran, mit einem Lineal direkt zwischen ihnen zu messen.

Manhattan-Abstand

Der Manhattan-Abstand entspricht der Messung der Entfernung in einer Stadt, in der Sie entlang der Straßenblöcke gehen müssen. Sie können nicht diagonal durch Gebäude gehen, sondern müssen den Straßen folgen. Er wird auch als City-Block-Abstand bezeichnet. Genau das ist der Manhattan-Abstand.

Man kann ihn sich wie das Gehen entlang von Straßenblöcken vorstellen. Er ist nützlich, wenn Bewegungen auf horizontale und vertikale Richtungen beschränkt sind oder wenn große Unterschiede in nur einer Richtung weniger stark gewichtet werden sollen.

question mark

Welches Distanzmaß ist am besten geeignet, wenn die Bewegung auf horizontale und vertikale Richtungen beschränkt ist?

Select the correct answer

War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 2. Kapitel 4

Fragen Sie AI

expand

Fragen Sie AI

ChatGPT

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Awesome!

Completion rate improved to 2.94

bookDistanzmaße

Swipe um das Menü anzuzeigen

Clustering gruppiert ähnliche Datenpunkte. Dafür muss der „Abstand“ zwischen den Punkten gemessen werden. Abstandsmaße geben an, wie ähnlich oder unterschiedlich Datenpunkte sind. Die Wahl des richtigen Abstandsmaßes ist entscheidend.

Wir betrachten zwei gängige Abstandsmaße: Euklidischer Abstand und Manhattan-Abstand.

Euklidischer Abstand

Der euklidische Abstand entspricht der Messung der Luftlinie zwischen zwei Punkten. Stellen Sie sich vor, Sie betrachten eine Karte und messen die Entfernung zwischen zwei Städten in gerader Linie. Das ist der euklidische Abstand. Es ist die gebräuchlichste Methode zur Distanzmessung.

Man kann ihn einfach als „Luftlinienentfernung“ verstehen. Er eignet sich gut, wenn die direkte Entfernung und alle Richtungen gleich wichtig sind.

Zum Beispiel: Wenn Sie zwei Punkte haben, denken Sie daran, mit einem Lineal direkt zwischen ihnen zu messen.

Manhattan-Abstand

Der Manhattan-Abstand entspricht der Messung der Entfernung in einer Stadt, in der Sie entlang der Straßenblöcke gehen müssen. Sie können nicht diagonal durch Gebäude gehen, sondern müssen den Straßen folgen. Er wird auch als City-Block-Abstand bezeichnet. Genau das ist der Manhattan-Abstand.

Man kann ihn sich wie das Gehen entlang von Straßenblöcken vorstellen. Er ist nützlich, wenn Bewegungen auf horizontale und vertikale Richtungen beschränkt sind oder wenn große Unterschiede in nur einer Richtung weniger stark gewichtet werden sollen.

question mark

Welches Distanzmaß ist am besten geeignet, wenn die Bewegung auf horizontale und vertikale Richtungen beschränkt ist?

Select the correct answer

War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 2. Kapitel 4
some-alt