几种常见距离公式

一、欧式距离

简介： 欧式距离是指m维空间中两个点之间的真实距离，或者向量的自然长度（即该点到原点的距离）。

计算公式

1、二维表示

2、推广到n维

用例

在非监督机器学习算法K-means算法以及KNN算法中中，使用的就是欧式距离，算法会自己进行分类、计算距离、重新选举的重复流程，来将不同的数据进行分类。

二、曼哈顿距离

简介： 曼哈顿距离使用在几何度量空间的几何学用语，用以标明两个点在标准坐标系上的绝对轴距总和。它又被称为出租车距离，这是因为在像纽约曼哈顿区这样的地区有很多由横平竖直的街道所切成的街区，出租车司机计算从一个位置到另一个位置的距离，通常直接用街区的两个坐标分别相减，再相加，这个结果就是他即将开车通过的街区数量。

用例

当数据集具有离散和/或二进制属性时，它似乎工作得很好，因为它考虑了在这些属性的值中实际可以采用的路径。

三、切比雪夫距离

简介： 切比雪夫距离定义为两个向量在任意坐标维度上的最大差值。由于其本质，它通常被称为棋盘距离，因为国际象棋的国王从一个方格到另一个方格的最小步数等于切比雪夫距离。

用例

切比雪夫距离经常用于仓库物流的路径计算。

四、闵可夫斯基距离

简介： 闵氏距离不是一种距离，而是一组距离的定义。

常见的p值有

p=1 曼哈顿距离

p=2 欧氏距离

p=∞ 切比雪夫距离

五、马氏距离

简介： 表示点与一个分布之间的距离。它是一种有效的计算两个未知样本集的相似度的方法。与欧氏距离不同的是，它考虑到各种特性之间的联系（例如：一条关于身高的信息会带来一条关于体重的信息，因为两者是有关联的）。马氏距离可以用来计算两个样本集之间的相似度，与欧式距离不同的是它考虑样本各种特性之间的联系。

马氏距离考虑到了协方差的因素（也就是x与y的变化方向是相同还是相反）。

当矩阵为单位矩阵时，Σ为1，马氏距离也就是欧式距离。