我对下面的问题很难过。我不确定我是否正确，但无论哪种方式，如果有人有时间解释，我需要一些帮助进一步了解它，请做。
设计L1和L2距离函数以评估银行客户的相似性。每个客户都具有以下属性： - 年龄（顾客的年龄，这是一个最大年龄为90岁，最小年龄为15岁的实际数字） - Cr（“信用评级”），这是一个序数属性，其值为“非常好”，“良好”，“中等”，“差”和“非常差”。 - Av_bal（平均账户余额，这是一个平均值为7000的实数，标准差为4000）
使用L2距离函数计算上述2个客户之间的距离
使用L2距离函数计算上述2个客户之间的距离。 回答L1
d（c1，c2）=（c1.cr-c2.cr）/ 4 +（c1.avg.bal -c2.avg.bal / 4000）*（c1.age-mean.age / std.age ） - （c2.age-mean.age / std.age）
答案 0 :(得分：0)
这个问题，留下了一些解释空间。主要是因为未完全指定相似性。我将尝试解释标准方法是什么。
通常，在开始之前，您希望将值标准化，使它们在相同范围内变得粗糙。否则，您的相似性将由具有最大方差的特征支配。
如果您没有关于分布的信息，而只是您想要尝试将它们正常化为[0,1]的值的范围。对于您的示例，这意味着
norm_age =（age-15）/（90-15）
对于名义值，如果要使用L p -Norms，则要查找到序数值的映射。注意：这并不总是可行的（例如，颜色不能直观地映射到序数值）。在这种情况下，您可以像这样转换信用评级
cr = {0如果'非常好'，1如果'好，2如果'中等'，3如果'差'，4如果'非常'}
之后你可以做与年龄相同的规范化
norm_cr = cr / 4
最后，对于正态分布值，您通常通过减去平均值并除以标准差来执行标准化。
norm_av_bal =（av_bal-7000）/ 4000
现在你已经规范了你的值，你可以继续定义距离函数：
L1（c1，c2）= | c1.norm_age - c2.norm_age | + | c1.norm_cr - c2.norm_cr | + | c1.norm_av_bal - c2.norm_av_bal |
和
L2（c1，c2）= sqrt（（c1.norm_age - c2.norm_age） 2 +（c1.norm_cr - c2.norm_cr） 2 +（c1.norm_av_bal - c2.norm_av_bal） 2 ）