总结：两个向量之间，常用的距离/相似性度量

相似度和距离度量在机器学习中非常重要。因此这里做一点总结。

欧式距离

最简单的，从小都会，是高维空间中两个点的直线距离（以二维空间为例就很好理解）。

闵可夫斯基距离

曼哈顿距离就是模的和，比如在二维空间，就是两点的差的绝对值之和。

马氏距离

这里开始复杂一点了，扯到了概率分布，即开始不再只是简单考虑这两个向量本身，而是把他们都看作是来自某一个概率分布中的随机样本，即开始探究他们背后的大背景，大的来历。

把一个确定值（无论维度如何）看做某个随机分布的样本是一种很常见的数学思想，要习惯。在基于概率的机器学习模型中，KL散度中都有出现。

卡方chi-square

fisher score

余弦相似度

其实也有人称之为余弦距离啦。

互信息

这个称之为相似度更合适一些。

pearson相关系数

Jaccard相关系数

KL散度

JS距离

DTW距离

动态时间规整，Dynamic Time Warping，由于最早用在衡量两个语音信号序列的相似性，所以它可以计算两个长度不一致的时间序列的距离，所以叫做时间规整，而“动态”是因为计算这个距离的算法是动态规划算法。

参考文章：https://blog.csdn.net/gdp12315_gu/article/details/55667483