具有额外因素的向量距离
Vector distances with extra factors
我正在研究 k-means 算法，它目前可以正常工作，但我正在寻找一个替代公式来使用一个额外的因素，即我计算的 2 个向量中的 1 个的点的相关性之间的距离。
我目前所做的总结：
我为数据库中的条目分配一个向量，并使用 k-means 将所有条目分配给一个集群。然后我检查附近集群的随机点并收集比某个因素更接近的条目。
一切正常，在聚类完成后，我可以选择一个随机的新点，并在其中收集最近的聚类和数据库条目。然而，我仍然必须确定这些条目的相关性，我想通过在之后使用距离计算的因素来做到这一点。
基本上我必须计算点X和多个点C(n)之间的距离
所有点都是 3D 向量
D(n) = SQRT( (X1-C1)² + (X2-C2)² + (X3-C3)² )
我想要的是 C 中每个点内的一个额外因素，如果匹配则使距离更短，如果完全不匹配则使距离更大。相关性为 0 表示完全不相关，然后为 1 2 或 3 表示非常相关。基本上，如果 C1 的相关性为 3，而 X1 不相同，则距离应该更大，但如果 X1 == C1，则距离应该最小，因为具有相关性 3 的 C1 比具有相关性 1 的 C2 和 C3 强得多，例如。
我希望我说清楚了，有人可以帮助我:)
你试过加权和吗？ D(n) = sqrt( a1^2 (x1-c(n)1)^2 + a2^2 (x2-c(n)2)^2 + ..) / sqrt(a1^2 + a2^2 + ..)
其中a1,a2,..是一些考虑到每个坐标相关性的因素
我正在研究 k-means 算法，它目前可以正常工作，但我正在寻找一个替代公式来使用一个额外的因素，即我计算的 2 个向量中的 1 个的点的相关性之间的距离。
我目前所做的总结：
我为数据库中的条目分配一个向量，并使用 k-means 将所有条目分配给一个集群。然后我检查附近集群的随机点并收集比某个因素更接近的条目。
一切正常，在聚类完成后，我可以选择一个随机的新点，并在其中收集最近的聚类和数据库条目。然而，我仍然必须确定这些条目的相关性，我想通过在之后使用距离计算的因素来做到这一点。
基本上我必须计算点X和多个点C(n)之间的距离 所有点都是 3D 向量
D(n) = SQRT( (X1-C1)² + (X2-C2)² + (X3-C3)² )
我想要的是 C 中每个点内的一个额外因素，如果匹配则使距离更短，如果完全不匹配则使距离更大。相关性为 0 表示完全不相关，然后为 1 2 或 3 表示非常相关。基本上，如果 C1 的相关性为 3，而 X1 不相同，则距离应该更大，但如果 X1 == C1，则距离应该最小，因为具有相关性 3 的 C1 比具有相关性 1 的 C2 和 C3 强得多，例如。
我希望我说清楚了，有人可以帮助我:)
你试过加权和吗？ D(n) = sqrt( a1^2 (x1-c(n)1)^2 + a2^2 (x2-c(n)2)^2 + ..) / sqrt(a1^2 + a2^2 + ..)
其中a1,a2,..是一些考虑到每个坐标相关性的因素