Klusterointi ryhmittelee samankaltaisia datapisteitä. Tätä varten täytyy mitata pisteiden välinen "etäisyys". Etäisyysmittarit kertovat, kuinka samankaltaisia tai erilaisia datapisteet ovat. Oikean etäisyysmittarin valinta on tärkeää.

Tarkastelemme kahta yleistä etäisyysmittaria: euklidinen etäisyys ja Manhattan-etäisyys.

Euklidinen etäisyys

Euklidinen etäisyys on kuin mitattaisiin kahden pisteen välinen suora etäisyys. Kuvittele, että katsot karttaa ja mittaat kahden kaupungin välisen etäisyyden linnuntietä. Se on euklidinen etäisyys. Tämä on yleisin tapa mitata etäisyyttä.

Ajattele sitä yksinkertaisesti "linnuntietä" etäisyytenä. Se toimii hyvin, kun halutaan tietää suora etäisyys ja kaikki suunnat ovat yhtä tärkeitä.

Esimerkiksi, jos sinulla on kaksi pistettä, voit ajatella käyttäväsi viivainta mitataksesi suoraan niiden välillä.

Manhattan-etäisyys

Manhattan-etäisyys on kuin mittaisi etäisyyttä kaupungissa, jossa täytyy kulkea kortteleita pitkin. Et voi kulkea vinottain rakennusten läpi; sinun täytyy kävellä katuja pitkin. Tätä kutsutaan myös city block -etäisyydeksi. Tämä on juuri Manhattan-etäisyys.

Ajattele sitä kuin kävelyä kaupungin kortteleita pitkin. Se on hyödyllinen, kun liikkuminen on rajoitettu vaaka- ja pystysuoriin suuntiin tai kun halutaan olla vähemmän herkkä suurille eroille vain yhdessä suunnassa.