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(x~1~,y~1~),B(x~2~,y~2~)两点之间的欧式距离为:

(2)n维空间的距离公式

A(x~1~,x~2~,...,x~n~)和B(x~21~,x~22~,...,x~2n~)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(x~1~,y~1~),B(x~2~,y~2~)两点之间的曼哈顿距离为:
    d~AB~ = |x~1~ - x~2~| + |y~1~ - y~2~|

(2)n维空间的曼哈顿距离公式:

  • A(x~1~,x~2~,...,x~n~)和B(x~21~,x~22~,...,x~2n~)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(x~1~,y~1~)与向量B(x~2~,y~2~)的夹⻆余弦公式:

两个n维样本点A(x~1~,x~12~,...,x~1n~)和B(x~21~,x~22~,...,x~2n~)的夹⻆余弦为:

优缺点及其他距离待续。。。。。。

相关推荐
GOTXX8 分钟前
基于Opencv的图像处理软件
图像处理·人工智能·深度学习·opencv·卷积神经网络
IT古董13 分钟前
【人工智能】Python在机器学习与人工智能中的应用
开发语言·人工智能·python·机器学习
CV学术叫叫兽28 分钟前
快速图像识别:落叶植物叶片分类
人工智能·分类·数据挖掘
WeeJot嵌入式1 小时前
卷积神经网络:深度学习中的图像识别利器
人工智能
脆皮泡泡1 小时前
Ultiverse 和web3新玩法?AI和GameFi的结合是怎样
人工智能·web3
机器人虎哥1 小时前
【8210A-TX2】Ubuntu18.04 + ROS_ Melodic + TM-16多线激光 雷达评测
人工智能·机器学习
码银1 小时前
冲破AI 浪潮冲击下的 迷茫与焦虑
人工智能
用户37791362947551 小时前
【循环神经网络】只会Python,也能让AI写出周杰伦风格的歌词
人工智能·算法
何大春1 小时前
【弱监督语义分割】Self-supervised Image-specific Prototype Exploration for WSSS 论文阅读
论文阅读·人工智能·python·深度学习·论文笔记·原型模式
uncle_ll1 小时前
PyTorch图像预处理:计算均值和方差以实现标准化
图像处理·人工智能·pytorch·均值算法·标准化