Distanz Funktionen

Umfassende Sammlung von Distanz- und Ähnlichkeitsmaßen für verschiedene Anwendungsbereiche

Geometrische Distanzen

Euklidischer Abstand
Standard-Distanz im 2D/3D-Raum, L₂-Norm für geometrische Berechnungen
Manhattan Distanz
Taxicab-Distanz, L₁-Norm für gitterbasierte Navigation und robuste Statistik
Minkowski Distanz
Verallgemeinerte Lₚ-Norm, umfasst Manhattan, Euklidisch und Chebyshev
Maximumsnorm (Chebyshev)
L∞-Norm, Schachbrett-Distanz für Worst-Case-Szenarien

Statistische Distanzen

Korrelationskoeffizient
Pearson-Korrelation für lineare Zusammenhänge zwischen Variablen
Bray-Curtis Distanz
Ökologische Distanz für Artenhäufigkeit und Biodiversitätsanalysen
Canberra Distanz
Gewichtete Distanz für positive Werte mit relativer Skalierung

Ähnlichkeitsmaße

Kosinus Ähnlichkeit
Winkel-basierte Ähnlichkeit für Vektoren, unabhängig von der Magnitude

Text- und String-Distanzen

Levenshtein Distanz
Edit-Distance für Texte, Rechtschreibkorrektur und DNA-Sequenzen

Über Distanz-Funktionen

Distanz-Funktionen sind mathematische Werkzeuge zur Messung der Ähnlichkeit oder Unähnlichkeit zwischen Objekten, Punkten oder Datensätzen. Sie bilden die Grundlage für viele Algorithmen in:

  • Machine Learning - k-NN, Clustering
  • Datenanalyse - Ähnlichkeitssuche
  • Bioinformatik - Sequenzvergleiche
  • Bildverarbeitung - Feature Matching
  • Textanalyse - Dokumentähnlichkeit
  • Geometrie - Räumliche Berechnungen
Tipp: Die Wahl der richtigen Distanz-Funktion hängt von Ihren Daten und der gewünschten Anwendung ab. Euklidische Distanz für geometrische Probleme, Manhattan für robuste Statistik, Kosinus-Ähnlichkeit für hochdimensionale Daten.