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
铭keny9 分钟前
YOLO11 目标检测从安装到实战
人工智能·目标检测·目标跟踪
小牛头#4 小时前
clickhouse 各个引擎适用的场景
大数据·clickhouse·机器学习
杨小扩6 小时前
第4章:实战项目一 打造你的第一个AI知识库问答机器人 (RAG)
人工智能·机器人
whaosoft-1436 小时前
51c~目标检测~合集4
人工智能
雪兽软件6 小时前
2025 年网络安全与人工智能发展趋势
人工智能·安全·web安全
元宇宙时间7 小时前
全球发展币GDEV:从中国出发,走向全球的数字发展合作蓝图
大数据·人工智能·去中心化·区块链
小黄人20257 小时前
自动驾驶安全技术的演进与NVIDIA的创新实践
人工智能·安全·自动驾驶
ZStack开发者社区8 小时前
首批 | 云轴科技ZStack加入施耐德电气技术本地化创新生态
人工智能·科技·云计算
X Y O9 小时前
神经网络初步学习3——数据与损失
人工智能·神经网络·学习
kngines9 小时前
【力扣(LeetCode)】数据挖掘面试题0002:当面对实时数据流时您如何设计和实现机器学习模型?
机器学习·数据挖掘·面试题·实时数据