Menu
Por José Carlos Díaz Mtz, con modificaciones por José Luis Gómez Muñoz Las distancias no euclidianas son un aspecto importante para el desarrollo de “machine learning”, con aplicaiones en comunicación, ajedrez y como viajamos. Para diferentes escenarios se utilizan diferentes tipos de distancias. Una de estas es la distancia de Hamming, que se calcula utilizando lo que llamamos “bits”. La distancia de Hamming calcula la distancia entre dos listas donde los correspondientes elementos son distintos. Una cosa interesante sobre este tipo de distancia es que los elementos utilizados no tienen que ser números, pueden ser palabras. Por ejemplo, la distancia de hamming entre “loba” y “roma” es de 2, porque para convertir loba a roma necesitas cambiar 2 letras para obtener ese resultado.
Ahora imagina que te piden la distancia del origen (0,0) al punto (3,4). Si utilizas la distancia euclidiana tu respuesta sería 5 porque estás utilizando el sistema de pitágoras. Y aunque la respuesta es correcta, pero solo funciona en ciertos aspectos en la vida cotidiana. Por ejemplo, si yo quisiera saber la distancia de mi casa a mi escuela podría utilizar la distancia euclidiana. Pero, no sería práctico ya que no voy a mi escuela perfectamente en una línea recta. Ahí es donde nos puede ayudar la distancia Manhattan (Taxicab). Se utiliza esta manera de calcular la distancia cuando quieres ir del punto A al punto B, pero no quieres o no puedes ir en una línea recta. Como dice el nombre, en una ciudad como Manhattan donde las calles son como rejillas la distancia de la ruta del punto A al B puede ser calculada con la distancia Manhattan. Para obtener tu resultado necesitaría la fórmula: d= |x2-x1|+|y2-y1|
0 Comentarios
Deja una respuesta. |
IDMIngeniería en Ciencia de Datos y Matemáticas Archivos
Junio 2019
Categorías
Todos
|