paired_distances#

sklearn.metrics.pairwise.paired_distances(X, Y, *, metric='euclidean', **kwds)[来源]#

计算 X 和 Y 之间的成对距离。

计算 (X[0], Y[0]), (X[1], Y[1]) 等之间的距离…

在用户指南中阅读更多内容。

参数:

Xndarray of shape (n_samples, n_features): 用于距离计算的数组 1。
Y形状为 (n_samples, n_features) 的 ndarray: 用于距离计算的数组 2。
metricstr or callable, default=”euclidean”: 计算特征数组中实例之间距离时使用的度量标准。如果度量标准是一个字符串，它必须是 PAIRED_DISTANCES 中指定的选项之一，包括“euclidean”、“manhattan”或“cosine”。或者，如果度量标准是一个可调用函数，它将对每对实例（行）进行调用，并记录结果值。可调用函数应将来自 X 的两个数组作为输入，并返回一个表示它们之间距离的值。
**kwdsdict: 未使用的参数。

返回:

distancesndarray of shape (n_samples,): 返回 X 的行向量与 Y 的行向量之间的距离。

另请参阅

sklearn.metrics.pairwise_distances: 计算每对样本之间的距离。

示例

>>> from sklearn.metrics.pairwise import paired_distances
>>> X = [[0, 1], [1, 1]]
>>> Y = [[0, 1], [2, 1]]
>>> paired_distances(X, Y)
array([0., 1.])

paired_distances#

本页