矩阵运算基础——余弦距离与欧式距离

最新推荐文章于 2021-12-26 08:30:00 发布
最新推荐文章于 2021-12-26 08:30:00 发布
阅读量1w 收藏 24
点赞数 2
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/liunian920305/article/details/73456736
版权
本文介绍了余弦距离和欧氏距离的概念及其在向量空间中的应用。余弦距离关注向量的方向差异，而欧氏距离强调绝对数值差异。通过调整余弦相似度算法，可以解决数值尺度不一带来的问题，提高相似度计算的准确性。
摘要由CSDN通过智能技术生成
1、余弦距离

余弦距离，也称为余弦相似度，是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小的度量。

向量，是多维空间中有方向的线段，如果两个向量的方向一致，即夹角接近零，那么这两个向量就相近。而要确定两个向量方向是否一致，这就要用到余弦定理计算向量的夹角。

余弦定理描述了三角形中任何一个夹角和三个边的关系。给定三角形的三条边，可以使用余弦定理求出三角形各个角的角度。假定三角形的三条边为a，b和c，对应的三个角为A，B和C，那么角A的余弦为：

clip_image002

如果将三角形的两边b和c看成是两个向量，则上述公式等价于：(注：在三角形中 a = b - c, 将该式带入余弦定理，便可得出下面结论)

最低0.47元/天 解锁文章
Pinthon35
关注
余弦距离和欧式距离的关系
qq_41044525的博客
06-27 6873
一，余弦距离：取值范围为（-1,1）一般负数为误差导致的，可以当做0可以当做相似度的计二，欧式距离：得到的值不是在0-1之间：不适合用于相似度的计算三，二者距离比较从欧式距离cb之间jul最短，从余弦距离a c之间距离最短四,二者关系转化图中||x||=1代表二范式（二维中向量在直角坐标系中的长度）：长度为1 。现在关系为二范式为1二者关系。余弦相似度和欧式距离等价性的条件是二范式规划。例如图为x...
【线性代数】【二】2.8 向量正交与正交补空间
最新发布
liuyider的博客
08-08 1493
本文将介绍向量的正交，以及正交补空间的定义。从而进一步加深对向量空间的理解本文介绍了向量正交的概念，并由此拓展出正交子空间以及正交补空间的概念。这些概念均与之前学习过的零空间等息息相关。
计算特征矩阵之间的余弦距离（余弦相似度）
yimenren的博客
12-19 1900
转自两矩阵各向量余弦相似度计算操作向量化.md - 苏轶然 - 博客园 (cnblogs.com)https://www.cnblogs.com/suanec/p/9121092.html 对A，B矩阵相乘做了略微修改 ### 矩阵矢量化操作 ### 按行计算余弦相似度 ### 两矩阵计算相似度向量应为同维度 ### 返回值RES为A矩阵每行对B矩阵每行向量余弦值 ### RES[i,j] 表示A矩阵第i行向量与B矩阵第j行向量余弦相似度 import numpy as np def cosine..
余弦距离与欧式距离
AvenueCyy的博客
04-23 1661
前几天在做数据分析笔试题的时候，上面问到了欧氏距离和余弦距离的差别，并不是很清楚。因此，在此学习下这个知识点，作个总结。 注：文本转载自：https://zhuanlan.zhihu.com/p/84643138 一、余弦距离 简单来说，余弦相似度，就是计算两个向量间的夹角的余弦值。余弦距离就是用1减去这个获得的余弦相似度。 由上面的余弦距离可以知道，余弦距离的取值范围为[0,2] ,这就满足了...
欧氏距离和余弦距离
小花生的博客
05-06 8648
欧氏距离和余弦距离 参考：https://blog.csdn.net/mr_evanchen/article/details/77511312 一、欧几里得距离(Euclidean Distance) 　　 欧氏距离是最常见的距离度量，衡量的是多维空间中各个点之间的绝对距离。公式如下： 因为计算是基于各维度特征的绝对数值，所以欧氏度量需要保证各维度指标在相同的刻度级别。 eg：在深度学习中，...
相似度计算——欧氏距离,曼哈顿距离,闵可夫斯基距离,汉明距离,夹角余弦
zyp361161的博客
02-17 8407
模式识别、机器学习、数据挖掘当中的各种距离总结 在做分类时常常需要估算不同样本之间的相似性度量(SimilarityMeasurement)，这时通常采用的方法就是计算样本间的“距离”(Distance)。采用什么样的方法计算距离是很讲究，甚至关系到分类的正确与否。 本文目录： 1.欧氏距离 2.曼哈顿距离 3. 切比雪夫距离 4. 闵可夫斯基距离 5.标准化欧氏距离 6.马氏距离...
matlab 韩明距离_机器学习——几种距离度量方法比较
weixin_39832643的博客
12-22 950
1. 欧氏距离(Euclidean Distance)欧氏距离是最容易直观理解的距离度量方法，我们小学、初中和高中接触到的两个点在空间中的距离一般都是指欧氏距离。 二维平面上点a(x1,y1)与b(x2,y2)间的欧氏距离: 三维空间点a(x1,y1,z1)与b(x2,y2,z2)间的欧氏距离: n维空间点a(x11,x12,…,x1n)与b(x21,x22,…,x2n)间的欧氏距离(两个n维向量...
矩阵论（零）：线性代数基础知识整理（4）——线性空间与线性变换
niu_123ming的博客
09-25 8708
本篇博客是线性代数的基础理论知识下篇，限于篇幅，不会把所有定义都罗列出来，而是将整理的重点放在定理和结论上（当然有些必要的定义还是会说明的），对于最基础的概念（如什么是矩阵、行列式的定义及基本计算方法、矩阵的基本运算等等）不清楚的童鞋可以参考线性代数常用基本知识整理。 本篇博客的上篇是矩阵论(零)：线性代数基础知识整理（上）。 为更具一般性，讨论复矩阵和复向量，向量如无特别说明均为列向量 本篇博客...
基于深度学习的人脸识别系统系列（Caffe+OpenCV+Dlib）——【四】使用CUBLAS加速计算人脸向量的余弦距离
ChenJoya的博客
09-09 1万+
前言 本篇是该系列的第四篇博客，介绍如何使用CUBLAS加速进行两个向量间余弦距离的计算。 ##思路 我们先来温习一下两个向量之间余弦距离的数学公式，大家自己可以回忆一下： x,y均为同维度的向量，如果为6400维，那么我们可以将式子进行展开：
对比欧氏距离与余弦相似度
热门推荐
黄飞的博客专栏
11-07 2万+
欧式距离欧氏距离就是我们平常所说的距离，如果是平面上的两个点 A(x1,y1)A(x_1,y_1) 和 B(x2,y2)B(x_2,y_2) ，那么 A 与 B 的欧式距离就是 (x1−x2)2+(y1−y2)2‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾√\sqrt{(x_1-x_2)^2+(y_1-y_2)^2} ；如果是三维空间中的两个点 A(x1,y1,z1)A(x_1,y_1,z_1) 和
使用python求两个矩阵的余弦距离
dddeee的专栏
04-03 1万+
文章目录求两个矩阵的余弦距离导入必要的库第一种思路第二种思路 求两个矩阵的余弦距离 余弦距离可适应用于人脸识别，将待识别人脸的图像提取特征，与人脸注册库的所有图像的特征矩阵求距离，然后找到最相似的。 本文提供两种思路三种编程方法 导入必要的库 import numpy as np from numpy.linalg import norm from sklearn.preprocessing im...
余弦距离和欧氏距离，知道原理和公式后真的很简单
振华OPPO的博客世界
12-26 3000
而当我们分析用户活跃度，以登陆次数(单位：次)和平均观看时长(单：分钟)作为特征时，余弦距离会认为(1,10)、(10,100)两个用户距离很近；统计两部剧的用户观看行为，用户A的观看向量为(0,1)，用户B为(1,0)；我们来看下公式，其实就是余弦计算公式：A和B是两个任意向量，除以它们模的乘积，就得到它们夹角的余弦值，其中向量Ai和Bi是向量A和B的每一个分量。总体来说，欧氏距离体现数值上的绝对差异，而余弦距离体现方向上的相对差异。简单来说，余弦相似度，就是计算两个向量间的夹角的余弦值。
欧式距离和余弦距离
呜啦吧哈的博客
09-17 1076
1、欧氏距离（欧几里得距离，Euclidean Distance）：是最常见的距离度量，衡量的是多维空间中各个点之间的绝对距离。公式如下： 2、闵氏距离：又叫做闵可夫斯基距离,是欧氏空间中的一种测度，被看做是欧氏距离的一种推广，欧氏距离是闵可夫斯基距离的一种特殊情况。公式如下： 公式中，当p = 2时，即欧氏距离；当p = 1时，即曼哈顿距离；当，即切比雪夫距离； ...
余弦距离，欧式距离，马氏距离之间的关系
ZJE
08-07 1万+
欧式距离： 马氏距离： S为协方差矩阵，当样本集合的协方差矩阵是单位矩阵时，即样本的各个维度上的方差均为１．马氏距离就等于欧式距离相等。 余弦距离： 一，余弦距离和欧式距离： 两个向量间的余弦值可以通过使用欧几里得点积公式求出： 从三维图可以看出： 虚线为欧式距离：欧氏距离衡量的是空间各点的绝对距离，跟各个点所在的位置坐标直接相关。 夹角为余弦距离：衡量的是空间向量...
谈谈距离度量方式：欧氏距离与余弦距离
要相信光
04-02 9148
前因 在机器学习/深度学习的很多任务中，我们通常会面临着两个样本之间相似度的比较。通常常用的两种度量方式为欧氏距离与余弦距离，那么在什么时候用欧氏距离？什么时候用余弦相似度？他们之间的联系与区别在哪里呢？ 探索 在机器学习当中，通常以一组向量来表示样本 如上图所示，欧式距离是通过勾股定理来计算两个向量之间的距离： 余弦距离是计算两个向量之间夹角的余弦值： 通常用1-D(x,y)来表示余弦相似度。 分析： 首先谈谈区别，欧氏距离的范围是不确定的(没有经过归一化)，得到的值可能很大(最
矩阵余弦距离 欧式距离代码
fukaiqi1010的博客
08-27 2082
spk_mean 3631x600 dev_ivector 8631x600 #-----------------------欧氏距离----------------- from scipy.spatial.distance import pdist Eu_scores =np.zeros((3631,8631)) for i in range(3631):     x = spk_mea...
线性变换与矩阵运算——矩阵分析基础
"线性变换的矩阵与线性变换的运算-矩阵分析课件ppt" 本文将探讨线性变换的矩阵表示及其运算，这是矩阵分析的一个重要主题，它在现代科学和工程领域中扮演着核心角色。线性变换是线性代数的基础概念，通过矩阵可以...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值