机器学习中常用的几种距离——欧式、余弦等

目录

一、欧式距离(L2距离)

(1)二维空间的距离公式(三维空间的在这个基础上类推):

A(x1,y1),B(x2,y2)两点之间的欧式距离为:

(2)n维空间的距离公式

A(x1,x2,...,xn)和B(x21,x22,...,x2n)两点之间的欧式距离为:

二、曼哈顿距离(L1距离)

就是在欧几里得空间的固定直角坐标系上两点所形成的线段对轴产生的投射的距离总和。

如下图中,红线代表曼哈顿距离,绿色代表欧氏距离,也就是直线距离,而蓝色和黄色代表等价的

曼哈顿距离。

(1)二维空间的曼哈顿距离公式:

  • A(x1,y1),B(x2,y2)两点之间的曼哈顿距离为:
    dAB = |x1 - x2| + |y1 - y2|

(2)n维空间的曼哈顿距离公式:

  • A(x1,x2,...,xn)和B(x21,x22,...,x2n)两点之间的曼哈顿距离为:

三、汉明距离

编辑距离。两个等⻓ 字符串s1与s2的汉明距离为:将其中⼀个变为另外⼀个所需要作的最⼩字符替换次数。
【注意:】

编辑距离与汉明距离相比,编辑距离不要求两个字符串的长度等长,他追求的是如何以最少的编辑(替换,插入,删除,位置交换)次数让两个字符串相同。

四、余弦相似度

两个⼆维空间中向量A(x1,y1)与向量B(x2,y2)的夹⻆余弦公式:

两个n维样本点A(x1,x12,...,x1n)和B(x21,x22,...,x2n)的夹⻆余弦为:

优缺点及其他距离待续。。。。。。

相关推荐
Dawson Zhu10 分钟前
【模型量化⑦】W4A8与GPTQ-Int4:极限压缩与MLC-LLM部署实战
人工智能·语言模型·架构·aigc·agi
千寻技术帮27 分钟前
50055_基于AI的互帮互助小程序(源码+文档+数据库脚本+部署教程)
数据库·人工智能·小程序·毕业设计·springboot·课程设计
天树星智源39 分钟前
KV 剪枝的同一个误差,模型确定时只改 1.4% 的 token,不确定时改 65%:接上不确定性,AIME25 端到端快 1.27 倍
人工智能·大模型
AI英德西牛仔43 分钟前
PC 用户的效率革命:腾讯元宝导出 Word 指令与“AI 导出鸭”的底层逻辑
人工智能·word·excel·deepseek·ai导出鸭
Flynn Liang2 小时前
多智能体协同不再复杂:Redis Stream 消费者组、幂等与故障恢复
数据库·人工智能·redis·缓存·ai agent·智能体
VIP_CQCRE10 小时前
GPT Image 2.6 商品图换背景后悬浮?接触阴影、透明区域与反射验收
图像处理·人工智能·ai·电商
泯泷11 小时前
别再傻傻地喂文件了,大厂都在偷偷给AI建这种“专属图书馆”
人工智能
oak隔壁找我11 小时前
一款运行在 DSH(DeepSeek Harness)中的类 Postman HTTP 接口调试插件
人工智能·程序员
高洁0111 小时前
数字孪生与计算机视觉:让机器看懂现场
人工智能·python·机器学习·transformer·迁移学习
Csvn12 小时前
如果明天供应商涨价 3 倍?三层解耦,换模型只改一行配置(C05)
人工智能·aigc·agent