Сравнение расстояния между массивами?

Похоже, вы хотите сравнить массивы как лучи (только направление), но вы сравниваете их как векторы (направление и величина). Я предлагаю сравнить массивы с косинусным сходством, которое представляет собой просто косинус угла между векторов и, таким образом, сравнение только их направлений. Для представленных массивов сходство по косинусу между базовым массивом и массивом 1 составляет 0,94, а для массива 2 — 0,82, что соответствует вашим ожиданиям.

Массив 3 - правильный ответ. Алгоритм, который вы используете, дает вам правильный результат.

По сути, для меня массив 3 больше похож на базовый массив, чем на массив 1. Какую модель вы ищете? Вы говорите, что результатом должен быть Array1... почему?

Расстояние - это просто способ сравнить два массива с помощью произвольного математического предположения, за ним нет реальной «логики», кроме того, что мы даем ему это.

Если вы хотите, чтобы результатом был Array1, тогда:

• Определите, ПОЧЕМУ Array1 должен быть результатом логических терминов.
• Перевести ПОЧЕМУ Array1 должен быть результатом в математическую формулировку
• Реализовать эту формулировку

Проблема здесь в том, что у вас нет четкого определения понятия «подобие». В зависимости от варианта использования данных существует бесконечно много способов определить сходство. Оставив ваш массив в стороне, для этого есть простой пример:

• Очки и бинокль похожи, потому что вы используете их оба, чтобы смотреть на вещи.
• Очки и велосипед похожи, потому что оба состоят из двух кругов, связанных друг с другом.
• Очки и Трава похожи, потому что оба начинаются на «G» и заканчиваются на «S».

Как видите, если вы точно не определите, что вам нужно, все может быть похоже на что угодно. Люди хороши, чтобы использовать правильное сходство для правильной задачи, но компьютер не сможет этого сделать, если вы явно не скажете ему, что вы хотите.

Если оставить в стороне этот момент, есть один распространенный случай подобия, который довольно часто используется для данных последовательности при интеллектуальном анализе данных. Это называется косинусным расстоянием, и оно ничем не отличается от того, что вы используете. Оно называется косинусным расстоянием. Вот алгоритм:

for (int i = 0; i < basearray.Length; i++)
{
  temp += (basearray[i] * arrayX[i]);
  f_base += (basearray[i] * basearray[i]);
  f_array += (array[i] * array[i]);
}
dist = 1 - (temp / sqrt( f_base * f_array ));

В основном это просто вычисление «Угла» между обоими массивами, изображенными в виде точек в n-мерном пространстве. В большинстве случаев работает просто отлично и может быть легко адаптирован к другим потребностям (когда необходимы другие виды подобия).

Математически каждый массив представляет собой точку, а мера расстояния называется нормой. Вы используете версию евклидовой нормы, которая является нашей стандартной мерой пространственного расстояния в трех измерениях. В нем просто отсутствует квадратный корень, потому что все, что вас интересует, какое из них ближе всего, а не измерение фактического расстояния, поэтому оно все равно будет работать для вас.

В вашем примере третий массив определенно ближе всего к евклидову расстоянию, потому что ваш базовый массив намного ближе к нулевому массиву, чем ваш первый массив. У них может быть «похожая структура», но вы смотрите на это не так. Ваша мера расстояния заинтересована в числовом расстоянии, и 0 (в массиве 3) намного ближе к 0,25, чем 1 (в массиве 1).

Если вы смотрите на «структуру», это означает, что вы думаете, что 0 намного важнее любого другого числа. то есть вы хотите вознаградить соответствующий массив за то, что он имеет ненулевые значения в одном и том же месте, а не за то, что он численно близок к 0.

Я не уверен, какую норму вы хотите для этого, и, честно говоря, это создает у меня впечатление, что мы упускаем то, что вам нужно достичь в конце дня - немного сложно вносить предложения по что мы знаем до сих пор.