【机器学习300问】51、余弦相似度一般用在哪儿？

小oo呆

已于 2024-03-25 14:15:24 修改

阅读量2.2k

点赞数 40

分类专栏：【机器学习】文章标签：机器学习人工智能

于 2024-03-25 12:21:50 首次发布

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/qq_39780701/article/details/137007729

版权

本文介绍了欧式距离和余弦相似度的基本概念，以及它们在衡量多维空间中点的相似性和文本、推荐系统、社交网络分析和机器翻译中的实际应用。重点强调了余弦相似度在处理评分数据尺度差异和高维特征空间中的优势。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、基础知识扫盲

（1）欧式距离

想象你在一个平坦的公园里，看到两个孩子分别在不同的游乐设施上玩耍。你想知道他们之间有多远。直觉的方法就是拉直测量绳，量一下他们直线距离有多远。在数学中，这就是所谓的欧式距离，也就是两点间直线的最短距离。在多维空间中，欧式距离考虑了每个维度的差异，使用勾股定理进行计算。

欧式距离是定义在欧式空间中的两点之间的距离，考虑了向量各维度数值上的差异。对于两个点 $P$ 和 $Q$ ，如果它们在二维空间中的坐标分别是 $(p_1, p_2)$ 和 $(q_1, q_2)$ ，那么它们之间的欧式距离 $d$ 可以通过下面的公式计算：

$d(P, Q) = \sqrt{(q_1 - p_1)^2 + (q_2 - p_2)^2}$

推广到在多维空间（n维）中的公式如下：

$d(P, Q) = \sqrt{\sum_{i=1}^{n} (q_i - p_i)^2}$

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。