docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,125 @@
|
||||
---
|
||||
id: wiki-2026-0508-manhattan-distance
|
||||
title: Manhattan Distance
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [L1 Distance, Taxicab Distance, City Block Distance]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.95
|
||||
verification_status: applied
|
||||
tags: [math, ml, distance-metric, knn, clustering]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack: { language: python, framework: numpy-sklearn }
|
||||
---
|
||||
|
||||
# Manhattan Distance
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 격자에서의 걸음 수"**. L1 = Σ|xᵢ - yᵢ|. Outlier에 robust하고 sparse·high-dim에서 Euclidean보다 잘 작동하며, L1 정규화/Lasso의 기반.
|
||||
|
||||
## 매 핵심
|
||||
### 매 정의
|
||||
- **Manhattan / L1**: $d(x,y) = \sum_i |x_i - y_i|$
|
||||
- **Euclidean / L2**: $\sqrt{\sum_i (x_i - y_i)^2}$
|
||||
- **Minkowski p**: $\left(\sum |x_i-y_i|^p\right)^{1/p}$ — p=1: Manhattan, p=2: Euclidean.
|
||||
- **Chebyshev / L∞**: max차원.
|
||||
|
||||
### 매 특성
|
||||
1. 삼각 부등식 만족 → 진짜 metric.
|
||||
2. 좌표 회전에 비불변 (Euclidean과 다름).
|
||||
3. 차원의 저주에 덜 취약 (high-dim 검색에서 유리).
|
||||
4. Outlier에 quadratic 아닌 linear 영향.
|
||||
5. 미분 불가 at 0 → subgradient (Lasso 최적화).
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Pattern 1 — NumPy
|
||||
```python
|
||||
import numpy as np
|
||||
d = np.sum(np.abs(x - y))
|
||||
# 행렬: cdist
|
||||
from scipy.spatial.distance import cdist
|
||||
D = cdist(X, Y, metric='cityblock')
|
||||
```
|
||||
|
||||
### Pattern 2 — sklearn kNN
|
||||
```python
|
||||
from sklearn.neighbors import KNeighborsClassifier
|
||||
clf = KNeighborsClassifier(n_neighbors=5, metric='manhattan')
|
||||
clf.fit(X_train, y_train)
|
||||
```
|
||||
|
||||
### Pattern 3 — DBSCAN with L1
|
||||
```python
|
||||
from sklearn.cluster import DBSCAN
|
||||
db = DBSCAN(eps=1.5, metric='manhattan').fit(X)
|
||||
```
|
||||
|
||||
### Pattern 4 — PyTorch
|
||||
```python
|
||||
d = torch.cdist(X, Y, p=1) # L1
|
||||
# Lasso loss
|
||||
loss = mse + alpha * w.abs().sum()
|
||||
```
|
||||
|
||||
### Pattern 5 — High-dim 비교 (Aggarwal 2001)
|
||||
```python
|
||||
# 차원 d↑ 시 Euclidean의 contrast 무너짐
|
||||
# fractional Lp (p<1)도 옵션
|
||||
def fractional_dist(x, y, p=0.5):
|
||||
return (np.abs(x-y)**p).sum() ** (1/p)
|
||||
```
|
||||
|
||||
### Pattern 6 — 스케일 정규화 필수
|
||||
```python
|
||||
from sklearn.preprocessing import StandardScaler
|
||||
X_scaled = StandardScaler().fit_transform(X)
|
||||
# L1은 단위에 매우 민감
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Metric |
|
||||
|---|---|
|
||||
| 일반 / continuous | **Euclidean (L2)** |
|
||||
| Outlier 많음 | **Manhattan (L1)** |
|
||||
| Sparse high-dim | **Manhattan** 또는 cosine |
|
||||
| 텍스트 임베딩 | cosine |
|
||||
| 범주형 우세 | Hamming / Gower |
|
||||
| Grid / Lattice 문제 | Manhattan (자연스러움) |
|
||||
| 시계열 | DTW |
|
||||
|
||||
**기본값**: 정규화된 numeric은 L2, sparse/outlier-heavy는 L1.
|
||||
|
||||
## 🔗 Graph
|
||||
- 응용: [[KNN]], [[K-Means]]
|
||||
- Adjacent: [[Curse-of-Dimensionality]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**:
|
||||
- Metric 선택 가이드 (데이터 특성 → 추천).
|
||||
- sklearn/numpy 코드 스니펫.
|
||||
- Lp norm 차이 설명.
|
||||
|
||||
**언제 X**:
|
||||
- 도메인 특화 metric 설계 (실험 필수).
|
||||
- 매우 큰 데이터 ANN 라이브러리 선택 (벤치마크 필요).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- 스케일 정규화 없이 L1 (큰 단위 feature 지배).
|
||||
- Categorical 변수에 Manhattan (Hamming 적합).
|
||||
- 회전이 의미 있는 데이터에 L1 (좌표축 의존).
|
||||
- 모든 모델에 같은 metric 가정.
|
||||
- 차원의 저주 무시 (>50 dim에서 어떤 distance든 약함).
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified. 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup |
|
||||
Reference in New Issue
Block a user