민코프스키 거리

"오늘의AI위키"는 AI 기술로 일관성 있고 체계적인 최신 지식을 제공하는 혁신 플랫폼입니다.
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.

1. 개요
2. 정의
- 2.1. p 값에 따른 거리
3. 응용
참조

1. 개요

민코프스키 거리는 두 점 사이의 거리를 정의하는 거리 척도이며, p차 민코프스키 거리는 두 점 X와 Y 사이의 거리를 나타내는 수식으로 정의된다. p가 1 이상일 때 민코프스키 거리는 거리의 성질을 만족하며, p가 1, 2, 무한대로 갈 때 각각 맨해튼 거리, 유클리드 거리, 체비셰프 거리에 해당한다. 이 거리는 기계 학습 및 인공지능 분야에서 데이터 포인트 간의 유사성을 비교하는 데 활용된다.

더 읽어볼만한 페이지

노름 공간 - 내적 공간
내적 공간은 실수체 또는 복소수체 위의 벡터 공간에서 양의 정부호 에르미트 반쌍선형 형식을 만족하는 내적을 갖춘 공간으로, 코시-슈바르츠 부등식, 삼각 부등식과 같은 성질을 만족하며 노름 공간 구조를 유도하고 직교성을 정의하는 데 사용된다.
헤르만 민코프스키 - 민코프스키 정리
민코프스키 정리는 격자, 볼록집합, 대칭 조건을 만족하는 집합이 특정 부피 조건을 만족하면 격자점을 갖는다는 정리이며, 수론, 암호학 등 다양한 분야에 활용된다.
헤르만 민코프스키 - 민코프스키 물음표 함수
민코프스키 물음표 함수는 헤르만 민코프스키가 정의한 함수로, 실수를 연분수와 이진수 표현 사이의 관계로 변환하며, 유리수를 이진 유리수로, 이차 무리수를 비-이진 유리수로 매핑하고, 프랙탈 모양의 그래프와 자기 유사성을 보이는 특이 연속 함수이다.
거리 - 맨해튼 거리
맨해튼 거리는 좌표축에 평행하게 측정한 거리 차이의 절댓값 합으로, 택시 기하학이라고도 불리며, 체스 룩의 이동이나 격자 도시 이동 거리 측정에 활용된다.
거리 - 마할라노비스 거리
마할라노비스 거리는 확률 분포와 점 사이의 거리를 나타내는 척도로, 평균과 공분산 행렬을 사용하여 계산하며, 클러스터 분석, 통계적 분류, 이상치 탐지 등 다양한 분야에서 활용된다.

민코프스키 거리
개요
종류	거리 척도
분야	수학, 컴퓨터 과학
창시자	헤르만 민코프스키
관련 항목	유클리드 거리, 맨해튼 거리, 체비쇼프 거리
정의
수식 기호	d(x,y)
정의	p ≥ 1일 때, 두 점 사이의 거리 = (Σ \|xᵢ - yᵢ\|ᵖ)^(1/p)
설명	p 값에 따라 다양한 거리 척도를 일반화함. p = 2일 경우 유클리드 거리, p = 1일 경우 맨해튼 거리, p = ∞일 경우 체비쇼프 거리가 됨.

2. 정의

수학에서 '''민코프스키 거리'''(Minkowski distance^영어) 또는 '''민코프스키 메트릭'''(Minkowski metric^영어)은 노름 벡터 공간에서 거리를 재는 방법으로, 유클리드 거리와 맨해튼 거리를 일반화한 것이다.

차수 $p$ 인 민코프스키 거리는 $\mathbb{R}^n$ 공간 상의 두 점 $X = (x_1,x_2,\ldots,x_n)$ 와 $Y = (y_1,y_2,\ldots,y_n)$ 사이의 거리 $D(X,Y)$ 를 다음과 같이 정의한다.

: $D\left(X,Y\right) = \biggl(\sum_{i=1}^n |x_i-y_i|^p\biggr)^{\frac{1}{p}}$

여기서 $x_i$ 와 $y_i$ 는 각 점의 $i$ 번째 좌표이고, $n$ 은 공간의 차원이며, $p$ 는 민코프스키 거리의 차수를 나타내는 매개변수이다. 일반적으로 $p \ge 1$ 일 때 거리 공간의 공리를 만족하며, $p$ 값에 따라 거리의 성질이 달라진다. 대표적인 예로는 맨해튼 거리( $p=1$ ), 유클리드 거리( $p=2$ ), 체비셰프 거리( $p \to \infty$ ) 등이 있다. $p$ 값에 따른 구체적인 거리의 종류와 성질은 하위 섹션에서 더 자세히 다룬다.

2. 1. p 값에 따른 거리

민코프스키 거리의 차수를 "

p

(단,

p

는 정수)"라고 할 때, 두 점

X = (x_1,x_2,\ldots,x_n)

와

Y = (y_1,y_2,\ldots,y_n) \in \mathbb{R}^n

사이의 거리는 다음과 같이 정의된다.

:

D\left(X,Y\right) = \biggl(\sum_{i=1}^n |x_i-y_i|^p\biggr)^{\frac{1}{p}}.

p \geq 1

일 때, 민코프스키 거리는 거리의 조건을 만족하며, 이는 민코프스키 부등식의 결과이다.^[1] 반면

p < 1

일 때는 삼각 부등식을 만족하지 않아 거리라고 할 수 없다. 예를 들어,

(0, 0)

과

(1, 1)

사이의 거리는

2^{1/p} > 2

이지만, 이 두 점과 점

(0, 1)

사이의 거리는 각각

1

이 되어 삼각 부등식(

1+1 \ge 2^{1/p}

)이 성립하지 않기 때문이다. 하지만 이 경우에도

1/p

지수를 제거하면 거리를 얻을 수 있으며, 이 거리는 F-노름이기도 하다.

민코프스키 거리는 주로

p

가 1 또는 2일 때 사용된다.

$p=1$ 일 때는 맨해튼 거리가 된다.
$p=2$ 일 때는 유클리드 거리가 된다.^[2]

p

가 무한대에 접근하는 극한의 경우, 체비셰프 거리를 얻는다. 이는 각 좌표 차이의 절댓값 중 가장 큰 값과 같다.

:

\lim_{p \to \infty}{\biggl(\sum_{i=1}^n |x_i-y_i|^p\biggr)^\frac{1}{p}} = \max_{i=1}^n |x_i-y_i|.

마찬가지로,

p

가 음의 무한대에 접근하는 경우, 각 좌표 차이의 절댓값 중 가장 작은 값과 같아진다.

:

\lim_{p \to -\infty}{\biggl(\sum_{i=1}^n |x_i-y_i|^p\biggr)^\frac{1}{p}} = \min_{i=1}^n |x_i-y_i|.

민코프스키 거리는 두 점

P

와

Q

사이의 성분별 차이에 대한 멱평균의 배수로 해석할 수도 있다.

다음 그림은 다양한

p

값에 따라 중심에서 거리가 1인 점들의 집합, 즉 단위 원(레벨 집합)의 형태가 어떻게 변하는지를 보여준다.

3. 응용

민코프스키 거리는 기계 학습 및 인공지능 분야에서 매우 유용하게 사용된다. 많은 인기 있는 기계 학습 알고리즘은 두 데이터 포인트의 유사성을 비교하기 위해 특정 거리 척도를 사용한다. 분석되는 데이터의 특성에 따라 다양한 척도를 사용할 수 있다. 민코프스키 거리는 여러 데이터 포인트 벡터 간의 크기 유사성을 결정하려는 수치 데이터 세트에 가장 유용하다.

참조

_[1] 서적 Functional Analysis Springer Netherlands
_[2] 서적 Similarity Search: The Metric Space Approach Springer

본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.

문의하기 : help@durumis.com