本文介绍了机器学习中常见的距离度量方法，包括欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、汉明距离、夹角余弦、杰卡德相似系数以及相关系数。这些距离度量在不同场景下有不同的应用，如空间距离、路径计算、集合相似度评估等。
今天，在看大神的距离度量，被各种距离应用场景的神总结惊呆了，先引用一下镇镇楼：
简单说来，各种“距离”的应用场景简单概括为，
空间：欧氏距离
路径：曼哈顿距离
国际象棋国王：切比雪夫距离
以上三种的统一形式：闵可夫斯基距离
加权：标准化欧氏距离
排除量纲和依存：马氏距离
向量差距：夹角余弦
编码差别：汉明距离
集合近似度：杰卡德类似系数与距离
相关：相关系数与相关距离。
下面就挑一些比较有名的记录一下，详细的还要参考大神的原文。
欧氏距离
- 最常见的两点或多点之间的距离度量方法
- 点 x = (x1,…,xn) 和 y = (y1,…,yn) 之间的距离为：
曼哈顿距离
- L1距离或者城市街区距离，两点形成的线段在固定直角坐标系两个轴产生的投影的总和。
- 二维平面两点a(x1,y1)与b(x2,y2)间的曼哈顿距离
最低0.47元/天 解锁文章
扫一扫
7803
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
