设计 L1 和 L2 距离函数来评估银行客户的相似性。每个客户都具有以下属性
Design L1 and L2 distance functions to assess the similarity of bank customers. Each customer is characterized by the following attribute
我很难回答下面的问题。我不确定我是否理解正确，但无论哪种方式，如果有人有时间解释，我都需要一些帮助来进一步理解它，请这样做。
设计L1和L2距离函数来评估银行客户的相似度。每个客户都具有以下属性：
− 年龄（客户年龄，实数，最大90岁，最小15岁）
− Cr（“信用评级”）是具有“非常好”、“好”、“中等”、“差”和“非常差”值的序数属性。
− Av_bal（平均账户余额，实数，均值为7000，标准差为4000）
- 使用 L1 距离函数计算以下 2 个客户之间的距离：c1 = (55, good, 7000) 和 c2 = (25, poor, 1000)。 [15 分]
使用L2距离函数计算上述2个客户之间的距离
使用L2距离函数计算上述2个客户之间的距离。
用 L1
回答
d(c1,c2) = (c1.cr-c2.cr)/4 +(c1.avg.bal –c2.avg.bal/4000)* (c1.age-均值.age/std.age)-( c2.age-均值.age/std.age)
问题原样，留有解释的余地。主要是因为没有准确指定相似性。我将尝试解释标准方法是什么。
通常，在开始之前，您希望对值进行归一化处理，使它们大致处于同一范围内。否则，你的相似度将被方差最大的特征所支配。
如果您没有关于分布的信息，只有值的范围，您可以尝试将它们归一化为 [0,1]。对于您的示例，这意味着
norm_age = (age-15)/(90-15)
对于标称值，如果您想使用 Lp-Norms，您需要找到到序数值的映射。注意：这并不总是可能的（例如，颜色不能直观地映射到序数值）。在你的情况下，你可以像这样转换信用评级
cr = {0表示“非常好”，1表示“好”，2表示“中等”，3表示“差”，4表示“非常差”}
之后你可以做与年龄相同的归一化
norm_cr = cr/4
最后，对于正态分布的值，您通常通过减去平均值并除以标准差来执行标准化。
norm_av_bal = (av_bal-7000)/4000
现在您已经规范化了您的值，您可以继续定义距离函数：
L1(c1, c2) = |c1.norm_age - c2.norm_age| + |c1.norm_cr - c2.norm_cr |
+ |c1.norm_av_bal - c2.norm_av_bal|
和
L2(c1, c2) = sqrt((c1.norm_age - c2.norm_age)2 + (c1.norm_cr -
c2.norm_cr)2 + (c1.norm_av_bal -
c2.norm_av_bal)2)
我很难回答下面的问题。我不确定我是否理解正确，但无论哪种方式，如果有人有时间解释，我都需要一些帮助来进一步理解它，请这样做。
设计L1和L2距离函数来评估银行客户的相似度。每个客户都具有以下属性： − 年龄（客户年龄，实数，最大90岁，最小15岁） − Cr（“信用评级”）是具有“非常好”、“好”、“中等”、“差”和“非常差”值的序数属性。 − Av_bal（平均账户余额，实数，均值为7000，标准差为4000）
- 使用 L1 距离函数计算以下 2 个客户之间的距离：c1 = (55, good, 7000) 和 c2 = (25, poor, 1000)。 [15 分]
使用L2距离函数计算上述2个客户之间的距离
使用L2距离函数计算上述2个客户之间的距离。 用 L1
回答d(c1,c2) = (c1.cr-c2.cr)/4 +(c1.avg.bal –c2.avg.bal/4000)* (c1.age-均值.age/std.age)-( c2.age-均值.age/std.age)
问题原样，留有解释的余地。主要是因为没有准确指定相似性。我将尝试解释标准方法是什么。
通常，在开始之前，您希望对值进行归一化处理，使它们大致处于同一范围内。否则，你的相似度将被方差最大的特征所支配。
如果您没有关于分布的信息，只有值的范围，您可以尝试将它们归一化为 [0,1]。对于您的示例，这意味着
norm_age = (age-15)/(90-15)
对于标称值，如果您想使用 Lp-Norms，您需要找到到序数值的映射。注意：这并不总是可能的（例如，颜色不能直观地映射到序数值）。在你的情况下，你可以像这样转换信用评级
cr = {0表示“非常好”，1表示“好”，2表示“中等”，3表示“差”，4表示“非常差”}
之后你可以做与年龄相同的归一化
norm_cr = cr/4
最后，对于正态分布的值，您通常通过减去平均值并除以标准差来执行标准化。
norm_av_bal = (av_bal-7000)/4000
现在您已经规范化了您的值，您可以继续定义距离函数：
L1(c1, c2) = |c1.norm_age - c2.norm_age| + |c1.norm_cr - c2.norm_cr | + |c1.norm_av_bal - c2.norm_av_bal|
和
L2(c1, c2) = sqrt((c1.norm_age - c2.norm_age)2 + (c1.norm_cr - c2.norm_cr)2 + (c1.norm_av_bal - c2.norm_av_bal)2)