1. 闵式距离

基本定义

闵式距离（Minkowski Distance），也称为闵可夫斯基距离，是度量空间中的一种距离定义方式，它是欧几里得几何中的距离概念的一种推广。

在n维空间中，两点$P(p_1,p_2,\dots ,p_n)$和$Q(q_1,q_2,\dots ,q_n)$之间的闵式距离定义为：

$$d_p(P,Q)={\left(\sum _{i=1}^n|p_i-q_i{|}^p\right)}^{1/p}$$

其中参数$p$是一个实数，且$p\ge 1$。

特殊情况

闵式距离包含了几种常用距离度量作为其特例：

1. 当$p=1$时：得到曼哈顿距离（Manhattan Distance） $$d_1(P,Q)=\sum _{i=1}^n|p_i-q_i|$$

2. 当$p=2$时：得到欧几里得距离（Euclidean Distance） $$d_2(P,Q)=\sqrt{\sum _{i=1}^n(p_i-q_i{)}^2}$$

3. 当$p\to \infty$时：得到切比雪夫距离（Chebyshev Distance） $$d_{\infty }(P,Q)=\underset{i=1}{\overset{n}{\max }}|p_i-q_i|$$

数学性质

1. 非负性：对于任意两点$P$和$Q$，$d_p(P,Q)\ge 0$，当且仅当$P=Q$时，$d_p(P,Q)=0$

2. 对称性：对于任意两点$P$和$Q$，$d_p(P,Q)=d_p(Q,P)$

3. 三角不等式：对于任意三点$P$、$Q$和$R$，$d_p(P,R)\le d_p(P,Q)+d_p(Q,R)$

4. 不等式关系：对于固定的两点，当$p$增大时，对应的距离值减小或保持不变，即如果$p_1<p_2$，则$d_{p_1}(P,Q)\ge d_{p_2}(P,Q)$

5. 尺度不变性：所有闵式距离对数据点的均匀缩放都是不变的

几何解释与等距线

在二维空间中，不同$p$值对应的等距线形状各不相同：

• $p=1$：等距线是菱形
• $p=2$：等距线是圆形
• $p\to \infty$：等距线是正方形
• $1<p<2$：等距线介于菱形和圆形之间
• $2<p<\infty$：等距线介于圆形和正方形之间

随着$p$的增加，等距线形状从菱形逐渐过渡到圆形，再到正方形。

$p<1$的情况

当$0<p<1$时，闵式距离公式仍可计算，但此时得到的不满足三角不等式，不是真正的距离度量。这种情况下得到的是"拟距离"（quasi-metric）。

应用场景

1. 数据挖掘与机器学习：在特征空间中衡量样本间的相似度

2. 聚类分析：不同的$p$值适合不同形状的聚类

3. 最近邻搜索：根据数据特性选择合适的$p$值可提高搜索精度

4. 图像处理：用于图像相似度比较和模式识别

5. 异常检测：识别多维数据中的异常点

参数$p$的选择

选择合适的$p$值通常取决于：

1. 数据分布：根据数据点分布特性选择合适的距离度量

2. 特征相关性：特征间相关性强弱影响最佳$p$值的选择

3. 计算复杂度：较大的$p$值计算量更大

4. 应用需求：不同应用场景可能需要不同的距离度量

计算示例

考虑二维空间中的点$A(1,2)$和$B(5,6)$，计算不同$p$值的闵式距离：

1. 曼哈顿距离（$p=1$）： $$d_1(A,B)=|1-5|+|2-6|=4+4=8$$

2. 欧几里得距离（$p=2$）： $$d_2(A,B)=\sqrt{(1-5{)}^2+(2-6{)}^2}=\sqrt{16+16}=\sqrt{32}\approx 5.66$$

3. $p=3$的闵式距离： $$d_3(A,B)=\sqrt[3]{|1-5{|}^3+|2-6{|}^3}=\sqrt[3]{64+64}=\sqrt[3]{128}\approx 5.04$$

4. 切比雪夫距离（$p\to \infty$）： $$d_{\infty }(A,B)=\max (|1-5|,|2-6|)=4$$

高维空间中的特性

在高维空间中，闵式距离表现出一些特殊性质：

1. 维度灾难：随着维度增加，点之间的距离趋于均匀化

2. $p$值影响：高维空间中，不同$p$值的距离度量差异更加明显

3. 计算效率：较大的$p$值在高维空间中计算代价更高

闵式距离是距离度量中最通用的形式之一，通过选择不同的参数$p$，可以适应各种不同的应用场景和数据特性。