机器学习中各种距离计算

机器学习中，经常需要计算各种距离。
比如KNN近邻的距离，Kmeans距离，相似度中的距离计算。
这种距离不一定都是欧氏距离，针对不同需求，数据的不同特点，距离的计算方式不同。
下面给出机器学习中常用的距离计算方式，及其应用特点。

对于距离，有如下基本特性：
1、d(x, x)=0 //到自己的距离为0
2、d(x ,y)>=0 //距离非负
3、d(x, y)=d(y, x) //距离对称性，A到B的距离，B到A的距离是相等的
4、d(x, z)+d(z, y)>=d(x, y) //三角形法则，两边之和大于第三边

1、闵可夫斯基距离（Minkowski distance）
衡量数值点之间距离的常用方法。公式如下。

该距离最常见形式是P=2或者1，分别对应欧氏距离、曼哈顿距离。
见下图，网格表示城市街区交通道路，直线表示欧式距离，显示情况在存在高楼，不能直接穿过，折线表示曼哈顿距离，其长度是相等的。

但公司中的P趋于无穷大时，闵可夫斯基距离就转化为切比雪夫距离（Chebyshev distance）.

我们知道，平面上的距离原点欧氏距离（P=2）为1的点组成的形状为圆ÿ