מדדי מרחק הם חיוניים באלגוריתמים מקבציים כפי שהם קובעים כיצד דמיון בין נקודות נתונים נמדד.הבחירה של מדד משפיעה על היווצרות של אשכולות ואת היעילות הכוללת של תהליך הדחיסה.

מרחק משותף

כמה מדדים למרחקים משמשים באופן נרחב בקוביות, כל אחד מתאים לסוגים שונים של נתונים ומטרות ניתוח.הנפוצות ביותר כוללות את Euclidean, מנהטן, ואת מרחקי Cosine.

המונחים: Distance metrics

מרחק אוקליידן מחשב את המרחק קו ישר בין שתי נקודות בחלל, תוך שימוש שורש הריבוע של סכום ההבדלים המבוצים. מנהטן המרחק מסתכם ההבדלים המוחלטים בין ממדים. קוסטין מודד את קוסטין של הזווית בין שני וקטורים, לעתים קרובות הפך למדד מרחק על ידי תת-התתתק מ-1.

שיקולים

בעת תכנון או בחירת מדד מרחק, שקול את סוג הנתונים ואת המטרה המקבץ.לדוגמה, מרחק Euclidean עובד היטב עם נתונים מספריים רצופים, בעוד המרחק מנהטן עשוי להיות טוב יותר עבור נתונים עתירי גבוה.

חשוב גם להעריך את ההשפעה של המדד על צורת אשכול ועל גודלו.הבחירה יכולה להשפיע על הפרשיות ואיכות של המקבץ.