Le regroupement (clustering) rassemble des points de données similaires. Pour cela, il est nécessaire de mesurer la « distance » entre les points. Les mesures de distance indiquent à quel point les points de données sont semblables ou différents. Le choix de la bonne mesure de distance est essentiel.

Nous examinerons deux mesures de distance courantes : la distance euclidienne et la distance de Manhattan.

Distance euclidienne

La distance euclidienne correspond à la mesure de la distance en ligne droite entre deux points. Imaginez que vous regardez une carte et que vous mesurez la distance entre deux villes à vol d’oiseau. C’est la distance euclidienne. Il s’agit de la méthode la plus courante pour mesurer une distance.

Considérez-la simplement comme la distance « à vol d’oiseau ». Elle est adaptée lorsque vous souhaitez connaître la distance directe et que toutes les directions ont la même importance.

Par exemple, si vous avez deux points, imaginez utiliser une règle pour mesurer directement entre eux.

Distance de Manhattan

La distance de Manhattan correspond à la mesure de la distance dans une ville où il faut se déplacer le long des blocs. Il est impossible d’aller en diagonale à travers les bâtiments ; il faut suivre les rues. On l’appelle aussi la distance city block. C’est exactement la distance de Manhattan.

Considérez-la comme le déplacement le long des blocs d’une ville. Elle est utile lorsque le mouvement est limité aux directions horizontale et verticale, ou lorsque l’on souhaite être moins sensible aux grandes différences dans une seule direction.