最短距離分類器
最短距離分類器（Shortest Distance Classifier）是一種簡單的機器學習分類算法，它根據樣本與其類別之間的距離來進行分類。這種算法假設每個樣本點都會被分類到其最近（最短距離）的訓練樣本所屬的類別。
最短距離分類器有幾種不同的實現方式，包括：
-
歐氏距離（Euclidean Distance）：這是計算兩點之間的直線距離的一種方法。在多維空間中，它是各維度的差的平方和然後求平方根。
-
曼哈頓距離（Manhattan Distance）：這是在城市街道上行走時所走的距離，它是各維度差的絕對值之和。
-
切比雪夫距離（Chebyshev Distance）：這是最長的維度差的絕對值。
最短距離分類器的基本思想是：給定一個新的樣本點，我們計算它與每個訓練樣本點的距離，然後將該新樣本點分類到距離最近的訓練樣本點所屬的類別中。
這種分類器的優點是簡單、直觀、容易實現，並且計算量小。然而，它的缺點是它可能會受到離群值（outliers）的影響，這些離群值可能會導致錯誤的分類決策。此外，它沒有考慮到數據的分布特徵，因此在某些情況下可能不如其他更複雜的分類器（如支持向量機、神經網絡等）有效。
在實際應用中，最短距離分類器通常用於數據量較小、數據維度較低的情況，或者作為一種快速篩選的方法，以便快速排除明顯錯誤的分類，然後再使用更複雜的分類器進行精確分類。