Python 如何在scikit学习中实现可调用距离度量？

我正在使用python的scikit learn中的集群模块，我想使用标准化的欧几里德距离。这个（据我所知）没有内置的距离，这里有一个

所以，我想用一个可调用的。该函数是我的

distance

模块的一部分，称为

distance.normalized\u euclidean\u distance

。它需要三个输入：

X

、

Y

和

SD

然而，归一化欧几里德距离要求总体样本的标准偏差。但是，scipy中的成对距离只允许两个输入：

X

和

Y

我如何允许它接受额外的参数

我试着把它作为一个

**kwarg

，但这似乎不起作用：

cluster = DBSCAN(eps=1.0, min_samples=1,metric = distance.normalized_euclidean, SD = stdv)

其中，

distance.normalized_euclidean

是我编写的函数，它接受两个数组，

X

和

Y

，并计算它们之间的规范化欧几里德距离

…但这会引发一个错误：

TypeError: __init__() got an unexpected keyword argument 'SD'

使用其他关键字参数的方法是什么

---

它说

任何进一步的参数都直接传递给距离函数。

，这使我认为这是可以接受的。

您可以使用lambda函数作为度量，它采用两个输入数组：

cluster = DBSCAN(eps=1.0, min_samples=1,metric=lambda X, Y: distance.normalized_euclidean(X, Y, SD=stdv))

---

另一种方法是使用metric_param arg，该参数稍后作为kwargs发送到函数：

cluster = DBSCAN(eps=1.0, min_samples=1, metric=normalized_euclidean, metric_params={"SD": stdv})

---

我曾想过为stdv使用一个全局变量，但这似乎是一个危险的解决方案。什么是距离？标准化的欧几里德函数？这是我为计算NED编写的函数。那么如何使用

SD

？是的，它也是距离的参数。我认为这是目前唯一的方法，因为dbscan没有kwargs。我认为这是一个合理的界面。