Algorithm 带附加因子的向量距离
我正在研究一个k-means算法，它目前是功能性的，但我正在寻找一个替代公式来使用一个额外的因子，即我计算的两个向量之间距离中的1个向量的点的相关性 我目前所做工作的总结： 我将一个向量分配给数据库中的条目，并使用k-means将所有条目分配给一个集群。然后，我检查附近簇的随机点，并收集比某个因子更接近的条目 这一切都是有效的，在集群完成后，我可以随机选择一个新点，并收集其中最近的集群和数据库条目。然而，我仍然需要确定这些条目的相关性，我想通过使用一个因子来计算之后的距离 基本上，我必须计算点X和多个点C（n）之间的距离 所有点都是三维向量 D（n）=SQRT（（X1-C1）²+（X2-C2）²+（X3-C3）²） 我想要的是，在C中的每一个点内都有一个额外的因子，如果匹配，它会使距离变短，如果根本不匹配，它会使距离变大。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是相关性3，且X1不相同，则距离应大得多，但如果X1==C1，则距离应最小，因为相关性3的C1比相关性1的C2和C3强得多Algorithm 带附加因子的向量距离,algorithm,math,vector,distance,Algorithm,Math,Vector,Distance,我正在研究一个k-means算法，它目前是功能性的，但我正在寻找一个替代公式来使用一个额外的因子，即我计算的两个向量之间距离中的1个向量的点的相关性 我目前所做工作的总结： 我将一个向量分配给数据库中的条目，并使用k-means将所有条目分配给一个集群。然后，我检查附近簇的随机点，并收集比某个因子更接近的条目 这一切都是有效的，在集群完成后，我可以随机选择一个新点，并收集其中最近的集群和数据库条目。然而，我仍然需要确定这些条目的相关性，我想通过使用一个因子来计算之后的距离 基本上，我必须计算点X
我希望我说清楚了，有人能帮我：）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。。有一些因素考虑到了每个坐标的相关性我已经尝试了多种方法，基本上是在公式中的不同位置使用数字0,1,2,3。用相关性替换^2。将（X1-C1）²除以相关性。将C1乘以相关性等，距离会明显变化，但I；'我在寻找一个函数，它在相同的情况下变小，在不相同的情况下变大，这超出了我的能力：）似乎有一个困惑：C1是第一个点还是坐标？是否应改为C1（n）？那么我们应该重新加权（X1-C1（n））^2还是D（n）？我的意思是C（n）1c（n）2等等，所以向量中的不同坐标。在这种情况下，只有3，但稍后将是8维向量。我想根据相关因子对向量中的每个坐标重新加权，如果坐标匹配，最终距离D会变小，如果坐标不匹配，最终距离D会变大。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+..）我在wolframalpha.com上试用过，这看起来正是我需要的。基本上，两个向量到一个点的距离相同，但由于现在的相关系数，它们的距离不同。wolfram中的公式太多，无法向您展示结果，但非常感谢您！