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

Euklidischer 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, 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

Manhattan-Abstand entspricht der Distanzmessung in einer Stadt, in der Sie entlang von Häuserblocks 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 Häuserblocks 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.