Klusterointi ryhmittelee samankaltaisia datapisteitä. Tämän tekemiseksi täytyy mitata "etäisyys" pisteiden välillä. 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 vastaa suoran viivan mittaamista kahden pisteen välillä. Kuvittele katsovasi karttaa ja mittaavasi etäisyyden kahden kaupungin välillä linnuntietä pitkin. Tämä on euklidinen etäisyys. Se on yleisin tapa mitata etäisyyttä.

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

Esimerkiksi, jos sinulla on kaksi pistettä, ajattele viivottimen käyttöä niiden välisen suoran etäisyyden mittaamiseen.

Manhattan-etäisyys

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

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