คำนวณ Manhattan Distance ด้วยตนเอง

Euclidean distance เป็นที่นิยมมาก แต่ใช้ได้ดีเพียงกับข้อมูล 2–3 มิติเท่านั้น สำหรับข้อมูลที่มีมิติมากกว่านั้น Manhattan distance เป็นอีกทางเลือกที่ดี โดยเฉพาะกับชุดข้อมูลที่มี features เชิงหมวดหมู่จำนวนมาก

ลองคำนวณด้วยตนเองโดยใช้ NumPy ซึ่งโหลดไว้แล้วภายใต้ชื่อย่อมาตรฐาน np

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การตรวจจับความผิดปกติใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

หาค่าผลต่างสัมบูรณ์ระหว่างสมาชิกของ M และ N
หาผลรวมของค่าผลต่างเพื่อคำนวณ Manhattan distance ขั้นสุดท้าย

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

M = np.array([14, 17, 18, 20, 14, 12, 19, 13, 17, 20])
N = np.array([63, 74, 76, 72, 64, 75, 75, 61, 50, 53])

# Subtract M from N and find the absolute value
abs_diffs = ____

# Calculate the final manhattan distance
manhattan_dist_MN = ____

print(manhattan_dist_MN)

แก้ไขและรันโค้ด