计算两向量的欧式距离，余弦相似度

最新推荐文章于 2024-08-08 22:03:12 发布

置顶

chary8088

最新推荐文章于 2024-08-08 22:03:12 发布

阅读量2.5w

点赞数 1

CC 4.0 BY-SA版权

分类专栏：大数据

本文链接：https://blog.csdn.net/chary8088/article/details/74580238

余弦相似度和欧式距离在机器学习中用于计算相似度，但各有侧重。余弦相似度关注向量间夹角，适用于方向比较；欧式距离衡量点之间距离，适合位置差异。两者在归一化后可将相似度范围限定在[0,1]。例如，商品价格变化趋势可能有高相似度，而实际价格可能存在大差距，体现不同相似度类型的应用。" 79751500,1351381,JMeter教程：HTTP接口测试与性能测试初探,"['接口测试', '性能测试', 'JMeter', '自动化测试', '负载测试']

来自：http://www.mtcnn.com

>>> import numpy
>>> vec1=[[1,1,1],[2,2,2]]
>>> vec2=[[2,2,2],[1,1,1]]
>>> vec1=numpy.array(vec1)
>>> vec2=numpy.array(vec2)
>>> vec1
array([[1, 1, 1],
       [2, 2, 2]])
>>> vec2
array([[2, 2, 2],
       [1, 1, 1]])
>>> dist = numpy.sqrt(numpy.sum(numpy.square(vec1 - vec2)))  
>>> dist