Kökeni Antik Yunan matematiğine dayanan Öklidyen uzaklık, günümüzde veri bilimi, makine öğrenimi ve mekânsal analizde vazgeçilmez bir araç haline gelmiştir. Ünlü Öklid’in adını taşıyan bu metrik, iki boyutta ya da daha fazla boyutta uzaydaki noktalar arasındaki doğru çizgi mesafesini ölçmenin temel bir yolunu sunar.
Öklidyen Uzaklık Nedir?
Öklidyen uzaklık, Öklidyen uzayda iki nokta arasındaki en kısa yolu temsil eder. Cetvelle ölçtüğünüz mesafenin, herhangi bir boyut sayısına genelleştirilmiş hâlidir. Bu kavram, dik üçgende hipotenüsün uzunluğunun karesinin, diğer iki kenarın kareleri toplamına eşit olduğunu söyleyen Pisagor teoremine dayanır.
“Öklidyen uzaklığı öğreten filozof.” Görsel: Dall-E
Öklidyen Uzaklık Formülü
Öklidyen uzaklık formülünü farklı boyutlar için parçalara ayıralım:
2B Öklidyen uzaklık
İki boyutlu bir düzlemde, A(x₁, y₁) ve B(x₂, y₂) noktaları arasındaki Öklidyen uzaklık şöyledir:
Örneğin, A(1, 2) ve B(4, 6) noktaları arasındaki mesafeyi hesaplayalım:
2B Öklidyen uzaklık görselleştirmesi
2B Öklidyen uzaklığı daha iyi anlamak için görselleştirelim:
2B Öklidyen uzaklık. Görsel: Yazar
Bu görselleştirme, 2B düzlemde iki nokta arasındaki Öklidyen uzaklığı gösterir. Kırmızı çizgi doğrudan mesafeyi temsil ederken, kesikli çizgiler dik üçgeni oluşturarak Pisagor teoreminin nasıl işlediğini gösterir.
3B Öklidyen uzaklık
Üç boyuta genişlettiğimizde, A(x₁, y₁, z₁) ve B(x₂, y₂, z₂) noktaları için formül şu hâle gelir:
3B Öklidyen uzaklık görselleştirmesi
3B Öklidyen uzaklığı görselleştirelim:
3B Öklidyen uzaklık. Görsel: Yazar
Bu 3B grafik, üç boyutlu uzayda iki nokta arasındaki Öklidyen uzaklığı gösterir. Yeşil kesikli çizgi, noktalar arasındaki doğrudan mesafeyi temsil eder.
N boyutlu Öklidyen uzaklık
n boyutlu bir uzayda, A(a₁, a₂, ..., aₙ) ve B(b₁, b₂, ..., bₙ) noktaları arasındaki Öklidyen uzaklık şöyledir:
Bu, toplam gösterimi kullanılarak daha özlü bir şekilde şöyle yazılabilir:
Lineer Cebir Kavramlarıyla İlişkisi
Öklidyen uzaklığı anlamak, iki nokta arasındaki en kısa yolun nasıl ölçüleceğini bilmenin ötesine geçer. Aynı zamanda bu uzaklıklara, vektörler ve onların özellikleriyle uzayı ve boyutları tanımlamamıza ve sorunları çözmemize yardımcı olan lineer cebir penceresinden bakmaktır. Bu konu hakkında daha fazla bilgi için, bu kavramları kapsamlı biçimde ele alan R ile Veri Bilimi için Lineer Cebir kursunu inceleyin.
Bir vektör normu olarak Öklidyen uzaklık
Öklidyen uzaklık, uzayda iki noktanın birbirinden ne kadar uzakta olduğunu ölçer. Bir yürüyüş parkurunun başlangıcındaki bir nokta ile bir tepenin zirvesindeki bir nokta düşünün. Başlangıçtan zirveye uzanan düz yol, Öklidyen uzaklık gibi düşünülebilir. Lineer cebirde bu, parkurun başlangıcından (A noktası) tepenin zirvesine (B noktası) doğru düz uzanan bir okun (vektörün) uzunluğunu bulmaya benzer. Bu uzunluğa vektörün “normu” denir; aslında bu düz yolun uzunluğunun resmî adıdır.
Noktasal çarpım ve açının kosinüsü
Yönlerle uğraşırken, noktasal çarpım iki ok arasındaki açıyı anlamamıza yardım eder. Örneğin iki yolun kesişiminde duruyorsanız, noktasal çarpım bir yolun ne kadar diğerine doğru yöneldiğini söyler. Bu, her bir yolun uzunlukları (az önce bahsettiğimiz normlar) ve aralarındaki açı kullanılarak hesaplanır. Bu değer 0’a ne kadar yakınsa, yollar birbirine o kadar dik yaklaşıyor demektir. Mesafeyle ilişkilendirdiğinizde, noktasal çarpım formülü Öklidyen uzaklığı yönetmesi daha kolay bileşenlere ayırır ve yöndeki değişimlerin toplam mesafeyi nasıl etkilediğini gösterir.
Öklidyen uzaklık ve vektör çıkarımı
Vektörler kullanarak iki nokta arasındaki Öklidyen uzaklığı bulmak için, özünde bir noktadan diğerini çıkararak yeni bir vektör oluşturursunuz. Bu yeni vektör bir noktadan diğerine doğrudan yönelir ve uzunluğu ilgilendiğiniz Öklidyen uzaklıktır. Koordinatlarını çıkararak evinizden en yakın markete harita üzerinde doğrudan bir rota çizmek gibidir; bu, gidebileceğiniz en kısa yolu gösteren düz bir çizgi (vektör) verir.
Python ve R ile Öklidyen Uzaklık Hesaplama
Hem Python hem de R ile Öklidyen uzaklık hesaplamalarının uygulamalarını inceleyelim. Verimli hale getirmek için özel fonksiyonlar oluşturmayı ve yerleşik kütüphaneleri kullanmayı göreceğiz.
Python örneği
Python’da, verimli dizi işlemleri için NumPy’nin ve özel uzaklık hesapları için SciPy’nin gücünden yararlanabiliriz. Öklidyen uzaklığı şöyle uygulayabiliriz:
import numpy as np
from scipy.spatial.distance import euclidean
def euclidean_distance(point1, point2):
return np.sqrt(np.sum((np.array(point1) - np.array(point2))**2))
# 2D example
point_a = (1, 2)
point_b = (4, 6)
distance_2d = euclidean_distance(point_a, point_b)
print(f"2D Euclidean distance: {distance_2d:.2f}")
# 3D example
point_c = (1, 2, 3)
point_d = (4, 6, 8)
distance_3d = euclidean_distance(point_c, point_d)
print(f"3D Euclidean distance: {distance_3d:.2f}")
# Using SciPy for efficiency
distance_scipy = euclidean(point_c, point_d)
print(f"3D Euclidean distance (SciPy): {distance_scipy:.2f}")Bu kodu çalıştırdığımızda, aşağıdakine benzer bir çıktı görmeyi bekleriz:
2D Euclidean distance: 5.00
3D Euclidean distance: 7.07
3D Euclidean distance (SciPy): 7.07SciPy fonksiyonu genellikle daha hızlı ve daha optimize edilmiştir, özellikle yüksek boyutlu verilerde; ancak özel fonksiyonumuz, altta yatan hesabı gözler önüne sermeye yardımcı olur.
